协作防遗忘与适应的生命周期无监督域自适应人员重新识别
本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架,通过解决数据分布差异、标记信息缺乏等问题,采用相机感知域自适应和在线三元捆绑等方法,实现了针对人物再识别特征的优化和提取,并在基准数据集上进行了实验和消融研究,展现了其卓越性能和有趣的属性。
Apr, 2019
提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息,依赖于三个存储器模块,即部分级存储器、实例级存储器和域级存储器,来处理无监督跨域人员再识别任务,从而达到了竞争性的结果。
Jan, 2020
本文提出了一种通过结合局部单热分类和全局多类分类来同时保证视觉一致性和时间一致性,利用未标记的数据进行鉴别特征学习的统一框架方法,该方法在三个大规模ReID数据集上的实验结果表明其在无监督和半监督领域适应ReID任务方面的优越性。
Jul, 2020
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
本文提出了一种“终身学习”的Person ReID方法,采用自适应知识积累(AKA)框架来刻画人脑的认知过程,能够跨越多个领域持续学习,缓解领域变化和知识遗忘的问题,大规模实验表明该方法在推广性评估中的mAP指标超过其他竞争对手5.8%。
Mar, 2021
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
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
在线无监督领域适应(OUDA)用于人员重新识别(Re-ID)的任务是将在经过良好注释的源域数据集上训练的模型持续适应为作为数据流观察到的目标域。本文提出了一种新的基于源引导的相似性保持(S2P)框架来缓解这两个问题,并通过提取与目标数据最相似的源图像组成的支持集来标识在学习过程中必须保持的特征相似性。S2P可以融合多个现有的UDA方法来减轻灾难性遗忘,并且我们的实验证明S2P在多个现实到现实和合成到现实的具有挑战性的OUDA基准测试中优于先前的最先进方法。
Feb, 2024
Lifelong Person Re-Identification (LReID) uses a novel framework called AdalReID, featuring knowledge adapters and a parameter-free auto-selection mechanism, to overcome catastrophic forgetting and improve generalization ability by incrementally building domain-specific knowledge adapters and enhancing knowledge interaction and fusion.
May, 2024
本研究针对终身人物再识别中的任务间领域差异问题,提出了一种新的属性文本指导遗忘补偿模型(ATFC),通过文本驱动的身份相关信息和属性相关的局部表示来提升模型的抗遗忘能力和泛化性能。实验结果表明,ATFC方法在主流再识别任务上超越了现有方法,显著提升了识别精度。
Sep, 2024