CVPRMar, 2021

通过自适应知识积累实现终身人员重识别

PDF
TL;DR本文提出了一种 “终身学习” 的 Person ReID 方法，采用自适应知识积累（AKA）框架来刻画人脑的认知过程，能够跨越多个领域持续学习，缓解领域变化和知识遗忘的问题，大规模实验表明该方法在推广性评估中的 mAP 指标超过其他竞争对手 5.8％。
person reidlifelong learningincremental learningadaptive knowledge accumulationcatastrophic forgetting
发现论文，激发创造
  • 面向终身人员重识别的自动选择知识适配器

    Lifelong Person Re-Identification (LReID) uses a novel framework called AdalReID, featuring knowledge adapters and a parameter-free auto-selection mechanism, to overcome catastrophic forgetting and improve generalization ability by incrementally building domain-specific knowledge adapters and enhancing knowledge interaction and fusion.

    May, 2024

  • 通过知识更新和巩固实现终身人员重新识别

    提出了一种名为 Lifelong person re-identification (LReID) 的方法，通过知识刷新和巩固（KRC）模型进行学习，以实现对旧任务的记忆保持和对新旧任务的正向和反向迁移。

    Nov, 2022

  • 多样化的表示嵌入在持续人员再识别中的应用

    通过 Diverse Representation Embedding （DRE）框架，提出了一种新颖的 Lifelong Person Re-Identification（LReID）方法，该方法在实例级别和任务级别布局上保留老知识并适应新信息，减少旧任务和新任务之间的领域差距，从而提高模型的性能。

    Mar, 2024

  • 面向终身人员再识别的分布对齐语义适应

    在本文中，我们提出了一种适应分布匹配语义调整（Distribution Aligned Semantics Adaption，简称 DASA）框架，通过有效地调整 BN 以减轻数据分布差异的干扰并冻结预训练的卷积层来保留共享知识，其显著降低存储消耗，优于先进的生命周期行人重新识别方法，是一种创新且经济高效的适应预训练模型进行生命周期行人重新识别的方法。

    May, 2024

  • 无监督人员重新识别的自适应探索

    本文提出了自适应探索 (AE) 方法，以解决针对个人再辨识（re-ID）的领域偏见问题。该方法利用特征记忆的非参数分类器，通过最大化所有人物图像之间的距离和最小化相似人物图像之间的距离，在目标领域对 re-ID 模型进行归纳。

    Jul, 2019

  • 基于混合服装状态的生涯式人员再识别的图像 - 文本 - 图像知识传输

    基于 $Teata$ 框架，提出一种考虑混合服饰情况的终身个体重识别任务（LReID-Hybrid），通过结构语义提示学习和知识适应与投影策略来解决知识粒度和表示的不匹配问题。实验证明，所提出的方法在 LReID-Hybrid 和传统 LReID 基准上具有优势。

    May, 2024

  • 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

  • 在线无监督域自适应的行人再识别

    本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

    May, 2022

  • 基于深度学习的人员再识别原型域

    本研究提出一种基于深度学习和自动原型域发现的人员再识别方法，该方法具有自适应的学习能力和模型选择能力，可以自动选择最接近的原型域模型进行再识别，无需监督或非监督域自适应学习。实验证明，该方法优于当前大多数监督和非监督方法。

    Oct, 2016

  • 无监督域自适应再识别：理论和实践

    本文旨在解决计算机视觉中无监督领域自适应重新识别的问题，并且提出了一种基于自我训练的方案来优化在提取特征空间中推测无标签目标数据所得的伪标签，评估与现有的同类方法的对比表明此方案是有效的。

    Jul, 2018