AAAIDec, 2021

探究基于概率不确定性的无监督域自适应人员再识别

PDF
TL;DR本文提出了一种名为概率不确定性引导的逐步标签精炼的方法，旨在解决无监督域自适应人员再识别中伪标签的噪音问题，通过探索逐步提升伪标签以及用概率建模伪标签不确定性等手段，最终在四个无监督域自适应人员再识别基准任务上实现了业界领先的表现。
unsupervised domain adaptiveperson re-identificationlabel refinementprobabilistic uncertaintyclustering
发现论文，激发创造
  • 利用样本不确定性进行领域自适应人员再识别

    本文提出了一种基于可靠程度估计和不确定度的无监督域适应 ReID 方法，用于削弱嘈杂标签的影响，提高准确性。实验表明，该方法在基准数据集上取得了最优结果。

    Dec, 2020

  • 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

  • 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

  • 面向域自适应的人员重识别中的群组感知标签传输

    提出了一种基于组的标签传递算法（GLT）来解决无监督域适应人物再识别问题，该算法同时使用伪标签来训练数据，并将伪标签作为在线聚类算法的优化传递。实验证明，该方法可将市场 1501 与 DukeMTMC 之间的 Gap 从 24.8％降至无监督和有监督之间的最低点，分别达到 82.0％和 92.2％的准确度。

    Mar, 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

  • 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

  • 基于不确定性估计的伪标签引导源无关非监督域自适应

    本文提出一种基于损失加权策略的 Source-free Unsupervised Domain Adaptation 方法，该方法在没有源数据的情况下，通过估计伪标签的不确定性来逐步优化伪标签，并采用一种自监督对比框架作为目标空间规范化器来增强知识聚合，并在三个基准测试中均取得了显著的优异表现，证明了该方法的鲁棒性。

    Mar, 2023

  • 增强式判别聚类进行领域自适应人物再识别

    该研究提出了一种用于领域自适应人物再识别的 AD-Cluster 技术，通过密度聚类、自适应样本增强、判别特征学习等方法，增强了目标域中的人物簇群，大大提升了再识别模型的区分能力。

    Apr, 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

  • 无监督人员重新识别的自适应探索

    本文提出了自适应探索 (AE) 方法，以解决针对个人再辨识（re-ID）的领域偏见问题。该方法利用特征记忆的非参数分类器，通过最大化所有人物图像之间的距离和最小化相似人物图像之间的距离，在目标领域对 re-ID 模型进行归纳。

    Jul, 2019