基于耦合优化的领域自适应人员再识别
本文提出了Part Aligned Pooling (PAP)和Part Segmentation (PS)约束来解决跨领域的人物再识别问题,并实现了有效的域自适应,实验表明,该模型在源域和跨域环境下都取得了最先进的性能。
Dec, 2018
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
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。
Jul, 2020
本文提出了一种基于可靠程度估计和不确定度的无监督域适应ReID方法,用于削弱嘈杂标签的影响,提高准确性。实验表明,该方法在基准数据集上取得了最优结果。
Dec, 2020
提出了一种基于组的标签传递算法(GLT)来解决无监督域适应人物再识别问题,该算法同时使用伪标签来训练数据,并将伪标签作为在线聚类算法的优化传递。实验证明,该方法可将市场1501与DukeMTMC之间的Gap从24.8%降至无监督和有监督之间的最低点,分别达到82.0%和92.2%的准确度。
Mar, 2021
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
本文提出了一种新颖的方法,即利用源和目标领域之间的桥梁来解决无监督领域自适应人员再识别(UDA re-ID)问题,该方法专注于显式地建模合适的中间领域以表征这种桥梁,并提出了中间域模块(IDM)来生成中间域表示,以及通过bridge loss和diversity loss约束中间域的生成。在各种常见的UDA re-ID任务中,该方法表现出比现有算法显著的性能优势,并且在挑战性的MSMT17基准测试中,mAP的增益高达7.7%。
Aug, 2021
本论文提出了一种无监督领域泛化的方法来解决行人重识别中源域无标签的问题,该方法采用领域特定的自适应框架,结合批标准化和实例标准化技术实现,准确地优化模型泛化能力,同时提高了训练效率和 ReID 性能。实验证明,该方法在不同的数据集上表现出显著优势,为进一步研究此领域奠定了强有力的基础。
Nov, 2021
本文提出了一种基于领域自适应的人员搜索模型(DAPS),该模型通过设计一种新的领域自适应模块,最小化领域偏差,并结合伪边界框及动态聚类策略,帮助模型在未标记目标域中训练人员检索任务,实现了相对于现有方法更高的性能。
Jul, 2022
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