基于不相似度空间的无监督领域自适应在人员再识别中的应用

ECCVJul, 2020

基于不相似度空间的无监督领域自适应在人员再识别中的应用

Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification

Djebril Mekhazni, Amran Bhuiyan, George Ekladious, Eric Granger

TL;DR本文提出了一种基于最大均值偏差（D-MMD）损失函数的度量学习方法，用于解决人员再识别中的跨域偏移问题和对抗攻击，实验结果表明，该方法在不需要数据增强和 / 或复杂网络的情况下，能够明显优于基准线和现有的无监督域自适应方法。

Abstract

person re-identification (ReID) remains a challenging task in many real-word video analytics and surveillance applications, even though state-of-the-art accuracy has improved considerably with the advent of deep learning (DL) models trained on large image datasets. Given the shift in d

person re-identification metric learning unsupervised domain adaptation maximum mean discrepancy loss siamese networks

发现论文，激发创造

无监督多源领域自适应用于人员再识别

本文提出了一种多源领域自适应人员重识别方法，并从特定领域和融合视角两个方面入手，引入了矫正特定领域批处理归一化和基于图卷积网络的多领域信息融合模块，从而使得该方法在大规模检验集上超越现有的无监督领域自适应人员重识别方法，且可达到监督方法的性能水平。

Apr, 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

在线无监督域自适应的行人再识别

本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

May, 2022

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

保留自我相似性和域差异性的图像域自适应技术在人员重识别中的应用

本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

Nov, 2017

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

跨域人物识别的联合去耦和适应

本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

Jul, 2020

利用中间域连接源域和目标域，实现跨域人员重识别

提出了一种跨领域人员重新识别的方法，包含中间领域模块和镜像生成模块以实现知识传递，相较于现有方法提出更好的跨领域识别效果。

Mar, 2022

跨域梯度差异最小化用于无监督域自适应

本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

Jun, 2021

在线人物再识别的源导向相似性保持

在线无监督领域适应（OUDA）用于人员重新识别（Re-ID）的任务是将在经过良好注释的源域数据集上训练的模型持续适应为作为数据流观察到的目标域。本文提出了一种新的基于源引导的相似性保持（S2P）框架来缓解这两个问题，并通过提取与目标数据最相似的源图像组成的支持集来标识在学习过程中必须保持的特征相似性。S2P 可以融合多个现有的 UDA 方法来减轻灾难性遗忘，并且我们的实验证明 S2P 在多个现实到现实和合成到现实的具有挑战性的 OUDA 基准测试中优于先前的最先进方法。

Feb, 2024