AAAIDec, 2021

领域自适应人员再识别的多质心表示网络

PDF
TL;DR本文提出了一个名为 MCM 的多重质心内存解决了该方法中存在的伪标签聚类不完美的问题，同时进一步提出了两个策略来改进对比学习过程，即 DSCL 机制和 SONI 策略，并将它们整合到了一个统一的框架中。大量实验证明了 MCRN 在多个 UDA re-ID 任务和完全无监督的 re-ID 任务中超过了现有方法。
unsupervised domain adaptiveperson re-identificationpseudo-label-based contrastive learningmulti-centroid memorycontrastive learning process
发现论文，激发创造
  • 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

  • 无监督人员再识别的聚类对比

    本文介绍了 Cluster Contrast 算法，它采用一种独特的聚类算法，能够在神经网络中保证聚类的一致性并且降低 GPU 内存消耗，相较于目前最先进的无监督 re-ID 算法，我们的算法取得了 9.9％、8.3％和 12.1％的显著提升。

    Mar, 2021

  • 全面记忆以实现自适应学习：多层级记忆无监督跨域人物重识别

    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

  • 无监督个体再识别的判别式表示学习

    本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

    Aug, 2021

  • 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

  • 大规模无监督人员再识别的元聚类学习

    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

  • 无监督可见光 - 红外人物再识别的多记忆匹配

    提出了一种用于可见 - 红外无监督人物再识别的多内存匹配框架，通过生成伪标签和建立不依赖于任何先前注释的多模态伪标签对应关系来解决该任务中的关键挑战。通过使用交叉模态聚类、多内存学习和匹配以及软聚类级对齐策略来改进现有方法的不足，提高了跨模态对应关系的可靠性和效果。

    Jan, 2024

  • 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

  • 用于跨领域人员再识别的通用性度量网络

    本文提出了一种基于 Generalizable Metric Network (GMN) 的 Person Re-identification (Re-ID) 方法，通过在测试阶段结合 Metric Network 和正、负样本对进行训练，使用 Dropout-based Perturbation (DP) 模块来丰富样本对的多样性，从而增强模型的泛化能力，并使用 Pair-Identity Center（PIC）Loss 来提高模型的区分能力以在多个基准数据集上验证所提出方法的有效性。

    Jun, 2023

  • 双重精炼：无监督域自适应人员再识别的标签和特征联合精炼

    提出了一种新的双重优化方法，名为 Dual-Refinement，通过离线聚类阶段和在线训练阶段联合优化伪标签和特征，以改善在无标签目标域中进行人员重新识别时噪声标签对特征辨别能力的影响，主要通过引入新的层次聚类和实时存储器扩散技术来实现。实验结果表明，该方法在准确性上优于现有技术。

    Dec, 2020