CVPRDec, 2020

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

PDF
TL;DR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。
person re-identificationdomain generalizationmeta-learningmulti-sourcememory-based
发现论文，激发创造
  • 全面记忆以实现自适应学习：多层级记忆无监督跨域人物重识别

    提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息，依赖于三个存储器模块，即部分级存储器、实例级存储器和域级存储器，来处理无监督跨域人员再识别任务，从而达到了竞争性的结果。

    Jan, 2020

  • 自适应聚合的模拟嵌入：学习可推广的人员再识别

    本研究提出了一种称为通过自适应集成的 Mimic Embedding (META) 的新方法，该方法利用多个领域特定的网络和实例归一化技术来处理动态 ReID 中的 DG ReID 问题，并成功超越了现有该领域的先进技术。

    Dec, 2021

  • 多领域专家协同学习：针对人物再识别的多源领域泛化

    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

  • 跨域元人脸识别学习

    本文提出了一种通过元学习来实现对新的未见领域进行面部识别的方法，该方法名为 “Meta Face Recognition（MFR）”，该方法利用元优化目标综合源 / 目标域转移，并通过优化多域分布来合并梯度 / 元梯度以提高泛化性能，同时提出了两个用于泛化人脸识别评估的基准，实验结果证实了该方法的优越性能。

    Mar, 2020

  • 领域增强元学习的开放域泛化

    本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

    Apr, 2021

  • 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

  • 半监督域通用人物再识别

    本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

    Aug, 2021

  • 多源域自适应的元自学习：基准

    本文的研究着重于文本识别问题，通过提出元自学习方法 (Meta Self-Learning) 和收集包含 5 个不同领域的超过 5 百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

    Aug, 2021

  • 针对人员再识别的无监督域泛化：领域特定自适应框架

    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

  • 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