Mar, 2021

无监督人员再识别的聚类对比

PDF
TL;DR本文介绍了 Cluster Contrast 算法，它采用一种独特的聚类算法，能够在神经网络中保证聚类的一致性并且降低 GPU 内存消耗，相较于目前最先进的无监督 re-ID 算法，我们的算法取得了 9.9％、8.3％和 12.1％的显著提升。
unsupervised re-idneural networksclusteringmemory-basedcluster contrast
发现论文，激发创造
  • 混合动态对比度和概率蒸馏用于无监督人员再识别

    本文提出了一种混合动态聚类对比和概率蒸馏算法，在不需要标注数据的情况下，将无监督的人物重识别问题转化为统一的局部到全局动态对比学习和自监督概率蒸馏框架。实验结果表明，这种方法在无监督领域适应性实验设置下，取得了优异的性能。

    Sep, 2021

  • 自适应类内变异对比学习用于无监督个体再识别

    我们提出了一种自适应类内变异对比学习算法 AdaInCV，该算法通过考虑聚类后的类内变化量定量评估模型对每个类别的学习能力，从而在模型的训练过程中选择适当的样本。具体而言，我们提出了两种新策略：自适应样本挖掘（AdaSaM）和自适应离群值过滤（AdaOF）。第一个策略逐渐创建更可靠的聚类以动态改进记忆，而第二个策略可以识别和过滤有价值的离群值作为负样本。

    Apr, 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

  • ICE：面向非监督人员重新识别的跨实例对比编码

    本文介绍了一种基于想法 instance contrastive learning 的 unsupervised person re-identification 方法，主要通过提出 Inter-instance Contrastive Encoding (ICE) 来增强 contrastive ReID 方法。通过使用跨实例相似度分数转换为 hard pseudo labels 和 soft pseudo labels 的方法，使本方法更高效且更容易应对扩增扰动。在多个包含比较大的 person ReID 数据集的实验中，本方法被证明具有竞争力。

    Mar, 2021

  • 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

  • 领域自适应人员再识别的多质心表示网络

    本文提出了一个名为 MCM 的多重质心内存解决了该方法中存在的伪标签聚类不完美的问题，同时进一步提出了两个策略来改进对比学习过程，即 DSCL 机制和 SONI 策略，并将它们整合到了一个统一的框架中。大量实验证明了 MCRN 在多个 UDA re-ID 任务和完全无监督的 re-ID 任务中超过了现有方法。

    Dec, 2021

  • 多原型逐步对比学习的无监督可见 - 红外人员再识别

    我们提出了一种渐进式对比学习多原型（PCLMP）方法，用于无监督的可见 - 红外人员再识别（USVI-ReID），通过引入硬原型、动态原型和渐进学习策略，该方法在多个数据集上验证了其有效性，超过了现有的最先进方法，并提供源代码。

    Feb, 2024

  • 自适应领域物体重新识别的混合记忆自适应对比学习

    提出了一种利用混合内存的自适应域对象重新识别方法，通过自适应控制学习目标，同时区分源域类别和目标域聚类和未聚类的样本，使得模型在多个对象重新识别任务上都超过了现有方法，甚至在无监督对象重新识别中也有了很好的表现。

    Jun, 2020

  • 基于聚类和对比的三维点云无监督学习

    本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

    Feb, 2022

  • 监督对比学习

    本文介绍了一种基于对比学习的自我监督表征学习方法，并将其推广到全监督设置中。其中，相同类别的样本点在嵌入空间中被拉在一起，而来自不同类别的样本则被同时推开，以实现更好的分类性能。实现简单，最佳损失函数表现优于交叉熵。

    Apr, 2020