ICCVJan, 2021

无监督的嘈杂痕迹行人再识别

PDF
TL;DR本文提出了一种选择性轨迹学习方法，通过无监督的方式从未标记过的轨迹数据中训练有较强区分度的人物重新标识模型，采用数据自适应的图像对轨迹的选择性匹配损失函数，该方法在多相机多任务深度学习模型结构中探究，实验证明该方法比目前领先的无监督学习和单次学习的重新标识方法在三个大规模轨迹人员重新标识基准测试中表现显著。
person re-identificationunsupervised learningdeep learningtracklet datamulti-camera
发现论文，激发创造
  • 无监督轨迹人员再识别

    本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性，能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息，实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。

    Mar, 2019

  • 深度学习轨迹关联的无监督人员重新识别

    本论文提出了一种基于轨迹的无监督深度学习方法，通过轨迹关联和跨摄像头相关性最大化来发现并利用单个摄像机和跨摄像机之间的人物识别信息，实现了更好的人物再识别效果。

    Sep, 2018

  • 基于时空规则的轨迹关联式渐进式无监督人员重识别

    本研究提出了一种基于深度学习和时空规则的无监督人员再识别方法，通过跨摄像头轨迹关联和反复迭代来逐步更新模型，最终促进了跨摄像头轨迹的关联和更好的人员视觉特征提取。

    Oct, 2019

  • 发挥轨迹片段在无监督视频人物再辨识中的潜力

    本文提出了一种无监督视频人员重识别的自监督精细聚类 (SSR-C) 框架，通过减少由于嘈杂跟踪结果引起的 tracklets 特征偏差的噪声过滤模块 (NFTP)，将 tracklets 划分为 “子 tracklets”，利用自监督信号进行聚类并进一步合并子 tracklets 以生成可靠的伪标签，从而促进类内跨 tracklet 聚合；此外，通过效率提升模型学习的 Class Smoothing Classification (CSC) 损失函数。在 MARS 和 DukeMTMC-VideoReID 数据集上的广泛实验验证了我们提出的 SSR-C 方法在无监督视频人员重识别领域取得了最新成果，并与先进的有监督方法相媲美。

    Jun, 2024

  • 随机训练策略下的无监督人员再识别

    采用随机学习策略和统一的距离矩阵，提出了一种无监督的人员重新识别方法，以避免训练偏差和聚类错误的影响。

    Aug, 2021

  • 大规模预训练用于带噪标签的人物再识别

    本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

    Mar, 2022

  • 软多标签学习的无监督人员重新识别

    论文提出了一种基于软多标签学习的无监督人物识别方法，该方法引入了参考代理学习来表示每个参考人物，利用视觉特征和软多标签的相似性一致性对目标域学习了区分嵌入，并开展了跨视角一致的软多标签学习以实现学习目标的达成。

    Mar, 2019

  • 简单非监督多目标追踪

    通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

    Jun, 2020

  • 无监督个体再识别的判别式表示学习

    本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

    Aug, 2021

  • 通过 k - 相互聚类和大规模异构环境合成进行人员重识别中的无监督域自适应

    本研究针对人物重新识别的实际场景问题，提出了一种新型的基于领域自适应的无监督学习方法，通过引入 ktCUDA 与 SHRED 算法，实现了对不同环境下的人物重新识别任务的高效识别，该方法在 4 个不同的图像和视频基准数据集上均取得了优于现有技术方法的平均 + 5.7 mAP 的识别性能表现。

    Jan, 2020