元数据指导下的超图模型用于非监督人员再识别
本研究提出了一种新的基于图的框架,即多粒度超图(MGH),通过建模多个粒度的时空依赖性来追求更好的表征能力,从而解决视频中人员再识别任务中的关键问题,并且通过多种基准测试表现出了优异的性能。
Apr, 2021
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
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
通过聚类的方式进行无监督人物再识别,并采用 “小数据驱动大任务” 的机器学习范式,通过元聚类学习方法实现了对大规模无标注数据的高效利用,降低计算成本、改善数据标注问题。
Nov, 2021
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。
Jun, 2021
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
本研究提出了一种多任务中间特征对齐网络(MMFA)来解决无监督跨数据集人员再识别任务的问题,该网络采用中间语义属性,通过交叉数据集中间特征对齐正则化项进行联合优化,取得了比现有方法更好的性能。
Jul, 2018
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
本文研究基于自监督对比学习的无监督人员再识别问题,提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中,基于网格投影技术的视角生成器提供了数据增广,而对比学习模块则学习了生成视角不变特征。此外,引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明,该方法在多个大规模数据集上进行了全面的性能测试,均取得了比先前研究更好的效果。
Dec, 2020
本研究提出了一种基于上下文引导和非成对辅助的弱监督人物搜索框架,其中引入了一种新的上下文引导聚类算法来利用聚类过程中的上下文信息和一个非成对辅助存储器单元来通过远离操作来区分未成对和成对的人。
Mar, 2022