AAAIMar, 2022

通过高斯过程进行去偏批归一化以实现可推广的人员重新识别

PDF
TL;DR本文提出了一种新颖的基于高斯过程的去偏批量归一化策略（GDNorm），用于解决有限标签源域数据下人员可识别的泛化性问题。该策略通过建立轻量级的多套针对特定源域的批量归一化层以及学习这些层的相应参数，进而建立源域的高斯过程，从而削弱对未见过领域的偏见，提高了模型的泛化能力。实验结果表明，该方法有效提高了模型在未知领域中的泛化能力。
generalizable person re-identificationbatch normalizationdebiased bngaussian processdomain-specific bn
发现论文，激发创造
  • 自监督批量归一化测试时间适应的通用人员再识别

    本研究提出了一种新的人员再辨识（re-id）框架 ——Batch Norm Test-time Adaption（BNTA），它使用自监督策略自适应地更新 Batch normalization（BN）参数，通过两个辅助任务：部分定位和最近邻匹配，挖掘与部分结构和身份相关的领域感知信息，并调节经过 BN 规范化的特征分布以适应目标域，从而在三个再识别数据集上证明了该方法的卓越性能。

    Mar, 2022

  • 针对人员再识别的无监督域泛化：领域特定自适应框架

    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

  • 一种新的混合归一化方法对多源人员可泛化重新识别

    本文提出了一种新方法 MixNorm 来从数据增强的角度解决多源人物再识别任务的问题，包括 domain-aware mix-normalization 来增强模型的泛化能力并解决过拟合问题以及 domain-aware center regularization 来更好地学习 domain-invariant 模型。实验结果表明该方法可以优于现有的方法，并具备优越性。

    Jan, 2022

  • 深度域泛化的批归一化嵌入

    该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

    Nov, 2020

  • 使用领域引导 Dropout 学习深度特征表示以进行人员重新识别

    本文提出了一种通过多个领域的数据学习深层次特征表征的算法，使用 Convolutional Neural Networks (CNNs) 学习多个领域的数据，同时根据一些神经元只在一个特定的领域中有效，提出 Domain Guided Dropout 算法来提高特征学习过程，并在人员重新识别问题上取得了比当前最先进方法更好的效果。

    Apr, 2016

  • 令人沮丧地简单的人员再识别：在实践中推广人员再识别

    本研究提出了一种简单的基线框架以解决人员重识别方法在不同数据集间的领域偏移问题，通过实例规范化和特征规范化这两种方式软化两个数据集之间的领域偏移问题，并取得了显著的精度提升。

    May, 2019

  • 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

  • 通用人物再识别的双分布对齐网络

    本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

    Jul, 2020

  • 针对特定领域的批量归一化在无监督领域适应中的应用

    提出了一种基于领域特定批量归一化的深度神经网络的新型无监督领域自适应框架，其中包括估计目标领域示例的伪标签和使用多任务分类损失进行源和目标域的学习，实现了多源领域自适应场景的全面优化。

    May, 2019

  • 学习优化针对特定领域的归一化以实现领域泛化

    本研究提出了利用深度神经网络的多源域泛化技术，通过引入特定于各个领域的优化归一化层。在每个域中，根据多个归一化统计的加权平均值对激活值进行归一化处理。并且在实现中使用批和实例归一化，以确定这两种归一化方法的最佳组合，优化学习模型的通用性。本方法在标准域泛化基准测试中展示了当前最高的准确率，同时适用于诸如多源领域适应和带有标签噪声的域泛化等进一步的任务。

    Jul, 2019