ECCVJul, 2020

利用时序相干性进行自监督单次视频再识别

PDF
TL;DR本文提出了一种新的基于时间一致性递进学习的框架，利用自监督辅助任务来捕捉未被标记的轨迹之间的关系，从而更好地实现视频检索中的标记，相比现有技术提高了高达 8% 的未标记数据真实标记的准确性和重识别的性能。
re-identificationone-shot learningtemporal coherenceself-supervised learningvideo retrieval
发现论文，激发创造
  • 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

  • 基于时空规则的轨迹关联式渐进式无监督人员重识别

    本研究提出了一种基于深度学习和时空规则的无监督人员再识别方法，通过跨摄像头轨迹关联和反复迭代来逐步更新模型，最终促进了跨摄像头轨迹的关联和更好的人员视觉特征提取。

    Oct, 2019

  • 无标签视频中的物体中心表示学习

    本研究介绍了一种从未标记的视频中进行无监督学习的新方法，通过引入一种面向物体的时间相干性方法来促进学习具有相似表征的物体，并在多个基准数据集上展示了与竞争无监督方法相比显著的准确度提高。

    Dec, 2016

  • 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

  • 学习盲视频时间一致性

    本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。

    Aug, 2018

  • 带有跨输入一致性的自监督多目标跟踪

    本文提出了一种自监督学习方法，用于训练仅提供无标签视频的多目标跟踪模型，通过交叉输入一致性的方法，在未经过监督的情况下优于多种经过监督的方法。

    Nov, 2021

  • 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

  • 面向时间异常定位的基于一致性自监督学习

    本文针对弱监督异常检测进行研究，利用自监督学习策略，通过对同一视频序列数据进行不同变换来使模型获得相同的分数，并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。

    Aug, 2022

  • 通过自监督学习学习 GAN 基于视频生成的时间相干性

    本文提出了一种使用时间自我监督的算法，采用 GAN 生成视频的方式解决了时间关系难以探索的问题，同时提出了 Ping-Pong loss 用来改善长期时间一致性问题，并且介绍了一组评估模型的定量指标。

    Nov, 2018

  • 发挥轨迹片段在无监督视频人物再辨识中的潜力

    本文提出了一种无监督视频人员重识别的自监督精细聚类 (SSR-C) 框架，通过减少由于嘈杂跟踪结果引起的 tracklets 特征偏差的噪声过滤模块 (NFTP)，将 tracklets 划分为 “子 tracklets”，利用自监督信号进行聚类并进一步合并子 tracklets 以生成可靠的伪标签，从而促进类内跨 tracklet 聚合；此外，通过效率提升模型学习的 Class Smoothing Classification (CSC) 损失函数。在 MARS 和 DukeMTMC-VideoReID 数据集上的广泛实验验证了我们提出的 SSR-C 方法在无监督视频人员重识别领域取得了最新成果，并与先进的有监督方法相媲美。

    Jun, 2024