自适应领域物体重新识别的混合记忆自适应对比学习

Jun, 2020

自适应领域物体重新识别的混合记忆自适应对比学习

Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID

Yixiao Ge, Feng Zhu, Dapeng Chen, Rui Zhao, Hongsheng Li

TL;DR提出了一种利用混合内存的自适应域对象重新识别方法，通过自适应控制学习目标，同时区分源域类别和目标域聚类和未聚类的样本，使得模型在多个对象重新识别任务上都超过了现有方法，甚至在无监督对象重新识别中也有了很好的表现。

Abstract

domain adaptive object re-id aims to transfer the learned knowledge from the labeled source domain to the unlabeled target domain to tackle the open-class re-identification problems. Although state-of-the-art pse

domain adaptive object re-id self-paced contrastive learning hybrid memory unsupervised object re-id

发现论文，激发创造

全面记忆以实现自适应学习：多层级记忆无监督跨域人物重识别

提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息，依赖于三个存储器模块，即部分级存储器、实例级存储器和域级存储器，来处理无监督跨域人员再识别任务，从而达到了竞争性的结果。

Jan, 2020

无监督领域自适应人员识别的联合视觉和时间一致性

本文提出了一种通过结合局部单热分类和全局多类分类来同时保证视觉一致性和时间一致性，利用未标记的数据进行鉴别特征学习的统一框架方法，该方法在三个大规模 ReID 数据集上的实验结果表明其在无监督和半监督领域适应 ReID 任务方面的优越性。

Jul, 2020

无监督个体再识别的判别式表示学习

本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

Aug, 2021

双向对比学习用于领域自适应语义分割

提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。

Jul, 2022

无监督行人再识别的领域摄像机自适应和多特征协同聚类

本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。

Aug, 2022

MILA: 基于记忆的实例级别领域适应用于跨领域物体检测

在跨域目标检测中，我们提出了基于记忆的实例级领域适应框架，通过动态存储和检索记忆模块来对齐源实例和目标实例，实验结果表明我们的方法显著优于现有的非记忆方法。

Sep, 2023

一种新的无监督相机感知领域自适应人员重识别框架

本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架，通过解决数据分布差异、标记信息缺乏等问题，采用相机感知域自适应和在线三元捆绑等方法，实现了针对人物再识别特征的优化和提取，并在基准数据集上进行了实验和消融研究，展现了其卓越性能和有趣的属性。

Apr, 2019

学习在记忆中调节对个体重新识别的不变性

本文研究了人物重识别中的无监督域自适应问题，提出了一种基于样例、相邻和摄像机属性的不变性学习框架，并在三个重识别基准测试中取得了新的最佳结果。

Aug, 2019

不变性重要：示范记忆用于领域自适应人物再识别

本文探讨了领域自适应人员再识别问题，并提出了相应的解决方案，通过引入范例内、摄像头内和邻域内不变量，结合样本存储器实现全局训练批次的不变量约束，得以有效应用于实际应用中。

Apr, 2019

语义分割的无监督对比域自适应

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022