ECCVJul, 2020

CycAs：自监督循环关联学习可重识别描述

PDF
TL;DR该论文提出了一种无需伪标签的自监督学习方法，通过创建一个自监督的假任务来加强行人重识别的性能，即 CycAs 任务，将数据关联过程进行可微分化的改进，从而学习到能够描述帧对实例间对应关系的有意义的表征。实验表明，该方法在行人重识别任务上胜过现有的无监督学习方法，并在实际应用中显示出可行性。
self-supervised learningperson re-identificationunsupervised methoddata associationpedestrian embeddings
发现论文，激发创造
  • S$^3$Track：自监督跟踪与软分配流

    本文旨在研究不使用任何视频级联标签的自监督多目标跟踪问题，并通过不同 iable 可微分的软目标分配来解决问题，使用时间和多视图数据进行训练，从而获得关于目标的关联伪标签。与大多数依赖于学习特征对应关系预算任务的自监督跟踪方法不同，我们的方法直接优化于复杂情景下的交叉对象关联，为鲁棒的重新识别 MOT 方法提供了一种解决方案，不会受到 Minima 的影响。在 KITTI、Waymo、nuScenes 和 Argoverse 数据集上评估我们的模型，与其他无监督方法相比，一致提高了 nuScenes 上的关联精度（7.8%）。

    May, 2023

  • 从时间的循环一致性中学习对应关系

    本文提出了一种自监督的方法，通过循环一致性来学习视觉对应关系，应用其学到的特征图表示可以在一系列视觉对应任务中取得较好的性能。

    Mar, 2019

  • 无监督视频人员再识别的深度关联学习

    该论文提出了一种新的无监督深度学习方法 Deep Association Learning（DAL）用于视频行人重识别任务，在三个基准测试集上明显优于现有的无监督学习方法，可为视频监控等实际应用提供实用价值。

    Aug, 2018

  • 基于实例级时序循环混淆的鲁棒物体检测

    本文介绍了一个新的自监督任务，即基于实例级别的时间循环混淆，可以在不同运动中探索不变动结构，从而提高物体检测器在测试时的鲁棒性，实现了在训练物体检测器时采用自监督任务的一种可靠方法。

    Apr, 2021

  • 一种具有局部感知的自监督步态编码方法用于基于三维骨架的人员重新识别

    本文提出了一种自监督步态编码方法，通过生成反向骨架序列实现了足够丰富的高层语义，并且结合局部感知机制和对比学习策略，设计出有效的步态编码，在人物重新识别领域中超过了其它方法达 15% 至 40% 的 Rank-1 准确度。

    Sep, 2020

  • CycDA：基于图片到视频的无监督循环域自适应

    本文提出了一种基于循环域自适应（CycDA）算法的无监督图像到视频域自适应方法，通过利用图像和视频之间的联合空间信息，以及采用独立的时空模型来缩小图像和视频数据的间隔以应对空间域转换和模态差异的挑战，并在基准数据集上取得了最新的技术进展。

    Mar, 2022

  • 基于相机内自监督的行人再识别：新的基准测试

    本研究提出了一种基于 Intra-Camera Supervised（ICS）的 Multi-Task Multi-Label（MTML）深度学习方法来解决人员再辨认问题，该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法，MTML 模型能够在相关的数据集上提高人员再辨认的准确性。

    Aug, 2019

  • 无监督轨迹人员再识别

    本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性，能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息，实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。

    Mar, 2019

  • 深度学习轨迹关联的无监督人员重新识别

    本论文提出了一种基于轨迹的无监督深度学习方法，通过轨迹关联和跨摄像头相关性最大化来发现并利用单个摄像机和跨摄像机之间的人物识别信息，实现了更好的人物再识别效果。

    Sep, 2018

  • 基于时间尺度连续性的自监督多目标跟踪

    通过在图像序列帧上进行一致的关联性评分，我们提出了一种学习重新识别特征的训练目标，可以显著降低 ID 开关，即使在 BDD100k 基准测试中表现和受监督的方法相当，也能够设置自监督多目标跟踪的新颖技术。

    Apr, 2023