使用假设传递学习进行人员重识别相机接入
该论文介绍了一个基于流形学习的动态摄像头网络中的人物重识别无监督学习方法,并提出了一个可利用最佳源摄像头信息改善多个摄像头间准确度的推理算法。该方法在四个基准数据集上的实验结果表明,明显优于现有的无监督学习方法且计算效率极高。
Jun, 2017
该论文提出了一个统一框架,旨在解决大规模多摄像机网络下人员再识别及摄像机网络拓扑推断问题,通过提供 SLP 数据集,实验证明该方法在人员再识别及摄像机拓扑推断任务中具有很大的潜力。
Oct, 2017
本文提出了一种基于环境约束的自适应网络,通过多相机约束提高伪标签的精度,将人物对信息无需使用标签即可用于模型训练,进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。
Oct, 2022
本文提出了一种基于时间模型适应的新方法,通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配,从而有效减少了人工配对标签的工作量,在三个数据集上的实验均证明该方法表现优于现有技术。
Jul, 2016
本论文提出了一种集成方案,旨在解决人员重新识别和摄像头网络拓扑推断问题,采用多摄像头网络环境并提供一个新的人员重新识别数据集 SLP,试验结果表明所提出的方法在人员重新识别和摄像头拓扑推断任务中具有良好的预测性能。
Apr, 2017
本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法,包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法,实验表明该方法具有显著优势。
May, 2019
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
本论文提出了基于深度神经网络的人物再识别方法,利用视角信息进行特征提取,采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习,同时采用迭代算法优化网络参数,在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。
Mar, 2018
我们提出了一种新颖的无监督域适应方法,用于人物再识别(reID),该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习(CaCL)框架,通过渐进地训练目标域数据集的多个子集,将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。
Aug, 2023
提出基于独立相机身份标注的人物再识别范式,称为 ICS,并设计了一种用于跨相机识别的多任务深度学习方法 MATE,该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。
Feb, 2020