ECCVJul, 2020

领域自适应人员身份识别的多专家头脑风暴

PDF
TL;DR本文提出了一个用于领域自适应人员重新识别的多专家头脑风暴网络（MEB-Net），采用相互学习策略，通过多个具有不同体系结构的网络专家模型进行预训练，在专家模型之间进行头脑风暴，以适应领域，增强适应的重新识别模型的区分能力，并通过引入关于专家权威性的正则化方案来容纳具有不同体系结构的专家模型的异质性。通过对大规模数据集（Market-1501 和 DukeMTMC-reID）进行的广泛实验表明，MEB-Net 比现有技术具有更优秀的表现。
deep neural modelsensemble learningdomain adaptive person re-idmeb-netmutual learning
发现论文，激发创造
  • 自适应聚合的模拟嵌入：学习可推广的人员再识别

    本研究提出了一种称为通过自适应集成的 Mimic Embedding (META) 的新方法，该方法利用多个领域特定的网络和实例归一化技术来处理动态 ReID 中的 DG ReID 问题，并成功超越了现有该领域的先进技术。

    Dec, 2021

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016

  • 多领域专家协同学习：针对人物再识别的多源领域泛化

    本论文提出一种基于多域专家协同学习（MECL）框架的领域泛化人员再识别（DG-ReID）方法，该框架使用领域间协作学习策略，通过 Domain-Domain Collaborative Learning（DDCL）和 Universal-Domain Collaborative Learning（UDCL）方法实现对所有训练域的更好利用，实验结果表明，该方法显著优于现有的最佳方法。

    May, 2021

  • 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

  • 无监督人员重新识别的自适应探索

    本文提出了自适应探索 (AE) 方法，以解决针对个人再辨识（re-ID）的领域偏见问题。该方法利用特征记忆的非参数分类器，通过最大化所有人物图像之间的距离和最小化相似人物图像之间的距离，在目标领域对 re-ID 模型进行归纳。

    Jul, 2019

  • 利用上下文不一致性进行多专家对抗攻击检测的人员再辨识

    本文提出一种基于多专家的对抗攻击检测方法 (MEAAD)，通过检查上下文不一致性来实现对于基于深度神经网络的 ReID 系统的攻击检测，并在 Market1501 和 DukeMTMC-ReID 数据集上进行了实验，在第一个 ReID 的对抗攻击检测方法中被证明可以有效地检测各种攻击，并达到高的 ROC-AUC（超过 97.5%）。

    Aug, 2021

  • 领域适应注意力模型：无监督跨域人物再识别

    该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

    May, 2019

  • 通过基于记忆的多源元学习进行学习，以便在看不见的领域中进行个人重新识别

    本文提出了 Memory-based Multi-Source Meta-Learning (M$^3$L) 框架，通过引入元学习策略和基于内存的非参数分类器，以及 Meta Batch Normalization Layer (MetaBN) 等技术来解决垂直领域通用性问题，并在四个大规模 ReID 数据集上实现了最优结果。

    Dec, 2020

  • 基于独立多域标签的分散学习，用于人员再识别

    本文提出了一种基于联邦学习的人员重识别模型 ——FedReID，采用了去中心化的训练方式，在保障本地隐私数据不被泄漏的前提下，通过来自多个本地客户端的模型更新，构建了一个面向全局的可推广模型，且其性能优于当下现有的算法。

    Jun, 2020