ICCVJun, 2021

基于图结构洞见的多标签预测和分类无监督人员重识别

PDF
TL;DR本文提出了一种基于图形结构洞察力的多标签预测和分类方法，它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上，提出了 GSMLP 和 SMLC 两种方法，可以在不需要预标记数据集的情况下提高无监督个人 Re-ID 的性能，在实验中获得了最先进的性能表现。
unsupervised person re-identificationmulti-label predictiongraph structurehard-sample mining schemestate-of-the-art performance
发现论文，激发创造
  • 基于多标签分类的无监督行人再识别

    本文提出了一种基于多标签分类和记忆机制的非参数分类器的无监督人物重新识别方法，通过相似度计算和循环一致性保证预测标签的质量，并提高了 ReID 性能。利用标记的人物图像在其他领域中进行迁移学习，在多个大规模 ReID 数据集上进行实验，证明了该方法的卓越性能。

    Apr, 2020

  • 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

  • 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

  • 元数据指导下的超图模型用于非监督人员再识别

    该研究提出了一种新的无监督人员重识别方法，使用元数据信息构建超图进行特征学习和标签细化，并采用标签传播方法和基于内存的列表损失对重识别结果进行有效的细化和优化。对三个基准测试的广泛实验显示出该方法对现有方法具有显著提高。

    Oct, 2021

  • 使用深度相似度引导的图神经网络进行人员重新识别

    该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。

    Jul, 2018

  • 无监督视频重新识别的动态标签图匹配

    本文旨在探讨如何在无监督行人重识别系统中进行跨摄像头标签估计，并提出了一种动态图匹配方法 (DGM)，通过学习中间估计标签来更新图像图和标签估计过程，降低跨摄像变化造成的不准确性。在多个基准测试中进行了广泛的实验，结果表明，DGM 与全监督基线相当，并优于竞争的无监督学习方法。

    Sep, 2017

  • 视频人员再识别的自适应图表示学习

    提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

    Sep, 2019

  • 通过无监督超图排名选择和融合进行人员再识别

    本项研究提出了一种流形排名聚合方法，对多个不同特征提取器产生的多样化排名列表进行完全无监督的选择和融合，进而提高了人物 Re-ID 的表现。

    Apr, 2023

  • 软化相似度学习实现非监督式人物再识别

    本篇论文研究了人物再识别任务在无监督设置下的迭代式训练机制，放弃了集群聚类，改用基于配对计算和软化分类任务的方法计算相似度，从而在无标记数据下获得了最先进的性能表现。

    Apr, 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