CVPRNov, 2020

适用于可泛化人员再识别的元批次实例标准化

PDF
TL;DR本文提出了一种称为 MetaBIN 的框架，利用元学习模拟先前不成功的普遍化场景，将可学习的批次 - 实例标准化层与元学习相结合，以改善 Re-ID 领域中的泛化能力问题。
person re-identificationgeneralizable re-idinstance normalizationmeta batch-instance normalizationmeta-learning
发现论文，激发创造
  • 自适应样式不变神经网络的批量实例归一化

    通过 Batch-Instance Normalization 技术，能够显式地将图像中不必要的样式进行规范化，从而对识别性任务的结果产生了惊人的提升，理论有效性得到了实验验证。

    May, 2018

  • 自监督批量归一化测试时间适应的通用人员再识别

    本研究提出了一种新的人员再辨识（re-id）框架 ——Batch Norm Test-time Adaption（BNTA），它使用自监督策略自适应地更新 Batch normalization（BN）参数，通过两个辅助任务：部分定位和最近邻匹配，挖掘与部分结构和身份相关的领域感知信息，并调节经过 BN 规范化的特征分布以适应目标域，从而在三个再识别数据集上证明了该方法的卓越性能。

    Mar, 2022

  • 一种新的混合归一化方法对多源人员可泛化重新识别

    本文提出了一种新方法 MixNorm 来从数据增强的角度解决多源人物再识别任务的问题，包括 domain-aware mix-normalization 来增强模型的泛化能力并解决过拟合问题以及 domain-aware center regularization 来更好地学习 domain-invariant 模型。实验结果表明该方法可以优于现有的方法，并具备优越性。

    Jan, 2022

  • 用于跨领域人员再识别的通用性度量网络

    本文提出了一种基于 Generalizable Metric Network (GMN) 的 Person Re-identification (Re-ID) 方法，通过在测试阶段结合 Metric Network 和正、负样本对进行训练，使用 Dropout-based Perturbation (DP) 模块来丰富样本对的多样性，从而增强模型的泛化能力，并使用 Pair-Identity Center（PIC）Loss 来提高模型的区分能力以在多个基准数据集上验证所提出方法的有效性。

    Jun, 2023

  • 通过基于记忆的多源元学习进行学习，以便在看不见的领域中进行个人重新识别

    本文提出了 Memory-based Multi-Source Meta-Learning (M$^3$L) 框架，通过引入元学习策略和基于内存的非参数分类器，以及 Meta Batch Normalization Layer (MetaBN) 等技术来解决垂直领域通用性问题，并在四个大规模 ReID 数据集上实现了最优结果。

    Dec, 2020

  • 令人沮丧地简单的人员再识别：在实践中推广人员再识别

    本研究提出了一种简单的基线框架以解决人员重识别方法在不同数据集间的领域偏移问题，通过实例规范化和特征规范化这两种方式软化两个数据集之间的领域偏移问题，并取得了显著的精度提升。

    May, 2019

  • 深度人员再识别的强基线和批归一化中间层

    本文研究了使用简单但强大的全局特征基线进行人物再识别，通过收集和评估有效的训练技巧，并将其结合，提出了一种名为 BNNeck 的新型颈部结构，将度量和分类损失分成两个不同的特征空间，从而提高了现有方法的性能。

    Jun, 2019

  • 学习鲁棒的视觉语义嵌入，实现通用的人员再识别

    该论文提出了一种叫做 MMET 的多模态等价 Transformer，可用于更加鲁棒的视觉 - 语义嵌入学习和人物重新识别，同时还引入了一种动态的遮罩机制，叫做 MMM，它可以加强其他模态的特征学习，从而提高性能。

    Apr, 2023

  • 通用人员再识别的样式归一化和还原技术

    本文提出了一种用于人物 ReID 的通用框架，通过引入 Style Normalization and Restitution (SNR) 模块，通过实例规范化 (IN) 过滤样式变化 (如照明，颜色对比度), 并从中提取出具有区分能力的信息来保证高识别度. SNR 模块具有相对优秀的泛化性能，并且在多项人物 ReID 基准测试中，SNR 模块提供的模型明显优于其他领域泛化方法.

    May, 2020

  • MLA-BIN：基于模型层次的注意力和批次实例风格规范化方法，用于医学图像分割的联邦学习领域泛化

    本文提出了 MLA-BIN 来解决联邦学习中的领域泛化问题，在医疗图像分割任务上经过了广泛的实验验证，证明其优于现有的最先进方法。

    Jun, 2023