Dec, 2020

UnrealPerson: 一种自适应的管道方法，实现无损人员重新识别

PDF
TL;DR本文提出了一种名为 UnrealPerson 的新型流水线，它利用虚幻图像数据以降低培训和部署阶段的成本，在 person re-identification 中取得了较高的精度，并提供了一定的适应能力。
person re-identificationunreal image datasynthesized dataunsupervised domain adaptationdata distribution
发现论文，激发创造
  • 利用虚拟和真实人物进行无监督的人员重新识别

    本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

    Nov, 2018

  • 超越真实来源训练数据：用随机三维字符进行可推广的人员再识别

    通过合成虚拟环境中的大规模人体图像数据集，训练出的行人再识别模型在全新领域中表现更好，该数据集名为 RandPerson，包含了来自 8000 个身份的 1801816 张人体图像，可以提高机器学习的泛化能力。

    Jun, 2020

  • 从合成到真实：揭示合成数据在视频人物再识别中的威力

    该研究探讨了跨域视频人物再识别的新问题，以合成视频数据作为训练的源领域，并以真实世界视频作为测试，显著减少了对真实训练数据的依赖。研究首先提出了一种自监督领域不变特征学习策略来提高合成数据在视频人物再识别中的作用，并通过自监督一致性损失进一步改进了目标领域中的人物识别能力。在四个真实数据集上的实验结果验证了跨合成与真实领域适应的合理性以及我们方法的有效性。令人惊讶的是，在跨域设置中，合成数据的表现甚至优于真实数据。

    Feb, 2024

  • 使用扩散模型合成高效的数据进行个体重新识别预训练

    提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

    Jun, 2024

  • 利用虚幻数据集的领域通用人员搜索

    基于域泛化框架的新型人物搜索方法，通过自动标注的虚拟数据集进行训练，适用于任意未见过的真实数据集，并采用人物实例的保真度估计来适应性地训练网络，并设计了域不变特征学习方案来抑制与域相关的特征，实验证明该方法在不需要任何先验知识和重训练负担的情况下，能够提供与现有人物搜索方法相媲美的性能。

    Mar, 2024

  • 无监督预训练用于个体再识别

    本文介绍了一个名为 LUPerson 的大规模未标记人物重识别数据集，并尝试进行无监督预训练来提高学习到的人物 Re-ID 特征表示的泛化能力，探究了数据增强和对比损失等方面对学习 Re-ID 特征的关键因素，其使用预训练模型可以获得在现有数据集上的最先进结果。

    Dec, 2020

  • 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

  • 通过综合实现域自适应以进行无监督的人员重新识别

    本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题，取得了与监督技术相当的效果。

    Apr, 2018

  • 通过人内标识规范化释放无监督预训练的潜力，用于个体重新识别

    本文设计了一个基于对比学习管道的无监督预训练框架 UP-ReID，旨在解决细粒度 ReID 特征学习中的两个关键问题，并介绍了全局一致性和局部补丁之间的内在对比约束，在多个流行的 Re-ID 数据集上进行了广泛的实验，结果表明，我们的 UP-ReID 预训练模型可以显著改进下游 ReID 微调，并实现了最先进的性能。

    Dec, 2021

  • 适应性和再认网络：一种无监督的深度迁移学习方法用于人员再认证

    该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

    Apr, 2018