MMNov, 2021

大规模无监督人员再识别的元聚类学习

PDF
TL;DR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。
unsupervised person re-identificationpseudo labelingmeta clustering learningcomputational costcluster centroids
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

  • 大规模全无监督再识别

    提出了两种策略来学习大规模无标签数据，其中第一种策略通过进行局部邻域抽样来减小数据集的大小，而不违反邻域关系，第二种策略采用了一种较快且内存高效的重新排名技术，并介绍了一种新的调度算法来调整训练中的密度参数，使学习对噪声标签具有鲁棒性。此外，还引入了一种共训练策略，通过预测伪标签在不同模型之间的排列来增强模型性能。

    Jul, 2023

  • 硬批次三元组损失的分层聚类在人员重新识别中的应用

    本研究提出了一种基于层次聚类的伪标签指导的无监督人物重识别方法，该方法可以在未标记的目标数据集上进行训练，并通过使用层次聚类生成伪标签作为监控去训练，同时将 PK 抽样用于排除困难样例并促进算法的收敛，实验结果表明，HCR 方法可以达到非常优秀的状态，使得在 Market-1501 和 DukeMTMC-reID 上的平均精度分别为 55.3％和 46.8％。

    Oct, 2019

  • 随机训练策略下的无监督人员再识别

    采用随机学习策略和统一的距离矩阵，提出了一种无监督的人员重新识别方法，以避免训练偏差和聚类错误的影响。

    Aug, 2021

  • 利用多代聚类达成一致的方式完善伪标签，用于无监督物体重识别

    该研究采用聚类共识和时序集成伪标签的方法，旨在解决伪标签噪声的问题，提升无监督物体识别方法的准确率。实验证实，该方法在 MSMT17 数据集上取得了最高 8.8% 的平均精度提升。

    Jun, 2021

  • 利用虚拟和真实人物进行无监督的人员重新识别

    本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

    Nov, 2018

  • 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

  • 无监督预训练用于个体再识别

    本文介绍了一个名为 LUPerson 的大规模未标记人物重识别数据集，并尝试进行无监督预训练来提高学习到的人物 Re-ID 特征表示的泛化能力，探究了数据增强和对比损失等方面对学习 Re-ID 特征的关键因素，其使用预训练模型可以获得在现有数据集上的最先进结果。

    Dec, 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

  • 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