May, 2021

多领域专家协同学习：针对人物再识别的多源领域泛化

PDF
TL;DR本论文提出一种基于多域专家协同学习（MECL）框架的领域泛化人员再识别（DG-ReID）方法，该框架使用领域间协作学习策略，通过 Domain-Domain Collaborative Learning（DDCL）和 Universal-Domain Collaborative Learning（UDCL）方法实现对所有训练域的更好利用，实验结果表明，该方法显著优于现有的最佳方法。
person re-identificationdomain generalizationcollaborative learningddcludcl
发现论文，激发创造
  • 自适应聚合的模拟嵌入：学习可推广的人员再识别

    本研究提出了一种称为通过自适应集成的 Mimic Embedding (META) 的新方法，该方法利用多个领域特定的网络和实例归一化技术来处理动态 ReID 中的 DG ReID 问题，并成功超越了现有该领域的先进技术。

    Dec, 2021

  • 具有关联感知混合专家的通用人员重新识别

    本研究提出了一种关注不同域之间相关性的专家混合方法以提高 Domain generalizable 人物重识别的性能，利用多个来源域的数据，提取特征并将其融合，最终通过投票机制完成。实验结果表明，该方法优于现有的方法。

    May, 2021

  • 通用人物再识别的双分布对齐网络

    本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

    Jul, 2020

  • 针对人员再识别的无监督域泛化：领域特定自适应框架

    本论文提出了一种无监督领域泛化的方法来解决行人重识别中源域无标签的问题，该方法采用领域特定的自适应框架，结合批标准化和实例标准化技术实现，准确地优化模型泛化能力，同时提高了训练效率和 ReID 性能。实验证明，该方法在不同的数据集上表现出显著优势，为进一步研究此领域奠定了强有力的基础。

    Nov, 2021

  • 无监督多源领域自适应用于人员再识别

    本文提出了一种多源领域自适应人员重识别方法，并从特定领域和融合视角两个方面入手，引入了矫正特定领域批处理归一化和基于图卷积网络的多领域信息融合模块，从而使得该方法在大规模检验集上超越现有的无监督领域自适应人员重识别方法，且可达到监督方法的性能水平。

    Apr, 2021

  • 通过基于记忆的多源元学习进行学习，以便在看不见的领域中进行个人重新识别

    本文提出了 Memory-based Multi-Source Meta-Learning (M$^3$L) 框架，通过引入元学习策略和基于内存的非参数分类器，以及 Meta Batch Normalization Layer (MetaBN) 等技术来解决垂直领域通用性问题，并在四个大规模 ReID 数据集上实现了最优结果。

    Dec, 2020

  • 领域增强元学习的开放域泛化

    本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

    Apr, 2021

  • 不充足注释下的多域学习

    本文介绍了一种名为多领域对比学习（MDCL）的新方法，以减轻不充分注释对传统 MDL 方法的影响，该方法旨在捕获来自标记和未标记数据的语义和结构信息，通过在不同领域的共享和私有空间中分别对其进行处理。实验结果表明，MDCL 相对于各种共享 - 私有模型（SP models）都带来了明显的改进，而且还能在多领域主动学习中得到进一步应用，以获得更好的总体性能。

    May, 2023

  • 无监督行人再识别的领域摄像机自适应和多特征协同聚类

    本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。

    Aug, 2022

  • 利用中间域连接源域和目标域，实现跨域人员重识别

    提出了一种跨领域人员重新识别的方法，包含中间领域模块和镜像生成模块以实现知识传递，相较于现有方法提出更好的跨领域识别效果。

    Mar, 2022