CVPRApr, 2020

通过劣化不变性学习进行现实世界的人员重新识别

PDF
TL;DR本文提出了一个用于实现真实场景下的人物再识别的降解不变性学习框架，该框架采用了自我监督的分解表示学习策略，能够同时提取身份相关的强健特征，并消除真实世界中存在的降解，同时在低分辨率图像上实现了最先进的识别效果。
person re-identificationreal-world scenariosdegradation invariance learningself-supervised disentangled representation learninglow-resolution images
发现论文，激发创造
  • 学习解析度不变深度人物再识别表示

    本文提出一种名为 RAIN 的网络架构，通过对抗学习的策略来提取具有分辨率不变性的表示，从而解决跨分辨率人物重新识别的问题，实验表明所提出的模型可以识别低分辨率的查询图像，并可以用于半监督重新识别。

    Jul, 2019

  • 学习分解表示以实现强固的人员再识别

    本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

    Oct, 2019

  • 学习不变领域表示以实现可推广的人员复识别

    本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。

    Mar, 2021

  • 恢复和识别：一种用于跨分辨率人员再识别的生成对偶模型

    本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

    Aug, 2019

  • 自适应光照人员重识别

    本文提出了 “IA-ReID”（Illumination-Adaptive Person Re-identification）这一针对不同照明条件下进行人物图像重识别的问题的解决方案，即采用 “IID”（Illumination-Identity Disentanglement）网络来解决不同照明下个体身份信息的丢失问题，并通过构建两个大规模模拟数据集和测试真实世界的图像来验证该方案的有效性。

    May, 2019

  • 通用人员再识别的样式归一化和还原技术

    本文提出了一种用于人物 ReID 的通用框架，通过引入 Style Normalization and Restitution (SNR) 模块，通过实例规范化 (IN) 过滤样式变化 (如照明，颜色对比度), 并从中提取出具有区分能力的信息来保证高识别度. SNR 模块具有相对优秀的泛化性能，并且在多项人物 ReID 基准测试中，SNR 模块提供的模型明显优于其他领域泛化方法.

    May, 2020

  • 令人沮丧地简单的人员再识别：在实践中推广人员再识别

    本研究提出了一种简单的基线框架以解决人员重识别方法在不同数据集间的领域偏移问题，通过实例规范化和特征规范化这两种方式软化两个数据集之间的领域偏移问题，并取得了显著的精度提升。

    May, 2019

  • 从生成的差异性学习不变性 - 非监督式人员再识别

    利用生成对抗网络进行对比学习的非监督式无监督表示学习方法在行人重识别中取得了最新的最优表现。

    Jan, 2023

  • 在自训练子空间中增强人物重新识别

    本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

    Apr, 2017

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016