ICCVAug, 2021

IDM: 域自适应行人再识别中间领域模块

PDF
TL;DR本文提出了一种新颖的方法，即利用源和目标领域之间的桥梁来解决无监督领域自适应人员再识别（UDA re-ID）问题，该方法专注于显式地建模合适的中间领域以表征这种桥梁，并提出了中间域模块（IDM）来生成中间域表示，以及通过 bridge loss 和 diversity loss 约束中间域的生成。在各种常见的 UDA re-ID 任务中，该方法表现出比现有算法显著的性能优势，并且在挑战性的 MSMT17 基准测试中，mAP 的增益高达 7.7％。
unsupervised domain adaptive person re-identificationbridging between source and target domainsintermediate domain modulebridge lossesdiversity loss
发现论文，激发创造
  • 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

  • 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

  • 领域适应注意力模型：无监督跨域人物再识别

    该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

    May, 2019

  • 基于不相似度空间的无监督领域自适应在人员再识别中的应用

    本文提出了一种基于最大均值偏差（D-MMD）损失函数的度量学习方法，用于解决人员再识别中的跨域偏移问题和对抗攻击，实验结果表明，该方法在不需要数据增强和 / 或复杂网络的情况下，能够明显优于基准线和现有的无监督域自适应方法。

    Jul, 2020

  • 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

  • 可见 - 红外人员重新识别的双向多步领域泛化

    该研究提出了一种名为 Bidirectional Multi-step Domain Generalization (BMDG) 的新方法，用于在不同的感官模态中统一特征表示，通过学习共享和模态不变的人体部位原型来对齐特征空间，然后利用多步学习逐步改进特征表示，并在此基础上使用多个桥接步骤来增强特征表示，有效地减少了感官模态之间的差距。实验证明，BMDG 方法在具有挑战性的可见 - 红外人物重新识别数据集上优于现有的基于部位的模型或通过可见 - 红外人物重新识别生成中间域的方法。

    Mar, 2024

  • 跨域混合增强的半监督域适应

    这篇论文介绍了一种新的半监督领域适应方法，称为具有领域内混合和邻域扩展的跨域集成，以解决标签空间中的标签不匹配问题，并通过利用邻域扩展进一步提高自适应模型的性能。

    Jan, 2024

  • MADI：跨域语音识别的域间匹配和域内判别

    本文提出了一种基于 MADI 的自动语音识别（ASR）的无监督领域适应方法，该方法通过细粒度的跨域匹配和内域对比判别同时提高了模型的可转移性和辨别能力，并在 Libri-Adapt 数据集上进行了评估，结果表明 MADI 方法将跨设备和跨环境 ASR 的相对词错误率（WER）分别降低了 17.7％和 22.8％。

    Feb, 2023

  • 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

  • 一次性跨领域语义分割的信息挖掘

    我们提出了一种名为 Informative Data Mining (IDM) 的新框架，通过使用一种基于不确定性的样本选择准则来实现高效的一次性领域自适应，其中包括基于补丁混合和基于原型的信息最大化来更新模型，有效提高了自适应性并缓解过拟合问题。

    Sep, 2023