AAAIDec, 2020

针对非监督人员再识别的相机感知代理方法

PDF
TL;DR本文提出一种基于聚类的无监督人物重识别方法，该方法使用相机感知代理来处理大量的内部 ID 差异，并通过代理平衡采样策略和对比学习组件进一步优化模型，在三个大规模 Re-ID 数据集上得到了很好的表现。
unsupervised person re-identificationclustering techniquescamera-aware proxiescontrastive learningproxy-balanced sampling strategy
发现论文，激发创造
  • 基于摄像头内部相似性的伪标签细化方法，用于无监督人员重识别

    该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

    Apr, 2023

  • 无监督个体再识别的摄像头内部 - 外部相似性

    本文提出一种基于 intra-inter camera 相似度的方法，生成更可靠的 pseudo-labels 用于训练 Re-ID 模型在多分支网络中，并在多个数据集上取得了 89.5% 的 rank-1 准确率，优于最新的无监督方法 9+%，同时与使用额外标注的最新迁移学习方法相当。

    Mar, 2021

  • 基于摄像头内监督的行人再识别

    提出基于独立相机身份标注的人物再识别范式，称为 ICS，并设计了一种用于跨相机识别的多任务深度学习方法 MATE，该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。

    Feb, 2020

  • 基于相机内自监督的行人再识别：新的基准测试

    本研究提出了一种基于 Intra-Camera Supervised（ICS）的 Multi-Task Multi-Label（MTML）深度学习方法来解决人员再辨认问题，该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法，MTML 模型能够在相关的数据集上提高人员再辨认的准确性。

    Aug, 2019

  • 面向相机感知的无监督个体再识别标签优化

    我们介绍了一个减少相机差异的相机感知标签细化框架，通过聚类相机内的相似性进一步对齐特征分布并减少跨相机特征相似性计算中的性能退化问题。

    Mar, 2024

  • 在自训练子空间中增强人物重新识别

    本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

    Apr, 2017

  • 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

  • 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

  • 带多摄像头约束的无监督域自适应人重识别

    本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

    Oct, 2022

  • 联合噪声容忍学习和元相机位移适应的无监督人员重识别

    本文提出了一种统一框架来解决无监督的人员再识别问题，旨在解决聚类产生的嘈杂标签和相机偏移引起的特征变化。该框架包括 Dynamic and Symmetric Cross-Entropy 损失和 MEtaCam 算法来实现相机不变特征，得到了比现有方法更好的无监督人员再识别和领域自适应无监督人员再识别性能。

    Mar, 2021