ECCVMar, 2022

PASS: 面向人员再识别的部位感知自监督预训练

PDF
TL;DR本文提出了一种面向个人再识别的预训练方法 PASS（Part-Aware Self-Supervised Pre-Training），可生成部分级特征提供细粒度信息，并在 Market1501 和 MSMT17 等任务上取得了最新的最优性能表现。
person re-identificationself-supervised learningpre-trainingfine-grained informationpart-aware
发现论文，激发创造
  • 基于 Transformer 的自监督预训练技术用于人员重新识别

    本篇研究旨在探讨利用数据和模型结构两个角度缩小 Transformer 预训练在 Person Re-Identification 任务中的领域差距。首先利用无标签人员图像预训练 Vision Transformer 来代替通常需要更大规模预训练数据集如 ImageNet-21K 的方法，并用 Catastrophic Forgetting Score 和 ReID-specific module 对领域差距进行缩小。最终成果是在 Market-1501 和 MSMT17 上获得了最先进的性能表现。

    Nov, 2021

  • PASS: 一种不需要人类参与的自监督预训练替代 ImageNet 的方法

    本论文提出了一个仅包含无人照片的无标签数据集 PASS，其可用于预训练模型，并展示了其在人体姿态估计等任务上和 ImageNet 预训练的相似性能，这表明在使用更安全的数据的同时进行模型预训练是可行的，并为预训练方法的更健壮评估提供了基础。

    Sep, 2021

  • 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

  • 通过人内标识规范化释放无监督预训练的潜力，用于个体重新识别

    本文设计了一个基于对比学习管道的无监督预训练框架 UP-ReID，旨在解决细粒度 ReID 特征学习中的两个关键问题，并介绍了全局一致性和局部补丁之间的内在对比约束，在多个流行的 Re-ID 数据集上进行了广泛的实验，结果表明，我们的 UP-ReID 预训练模型可以显著改进下游 ReID 微调，并实现了最先进的性能。

    Dec, 2021

  • 自我训练与渐进增强用于跨领域无监督人员再识别

    该研究提出了一种自训练的方法，使用渐进式增强框架 (PAST) 来不断提高模型在目标数据集上的表现，并在保守阶段和促进阶段之间交替进行三元组的损失优化，最终在无监督交叉领域设置下达到了最先进的人员重新识别绩效

    Jul, 2019

  • 从多模态信息指导中学习可转移的行人表示

    本文提出了一种学习可迁移表示以增强各种行人分析任务的新框架 VAL-PAT，并介绍了三个学习目标：自监督对比学习、图像文本对比学习和多属性分类。该框架在无标签人员图像的预训练下实现了良好的性能，并扩展到各种行人分析任务。

    Apr, 2023

  • 考虑部分信息的可推广人员再识别变压器

    我们提出了一种适用于域泛化人物重识别任务的纯 Transformer 模型，通过设计了一个名为 Cross-ID Similarity Learning (CSL) 的代理任务来挖掘不同 ID 之间共享的局部视觉信息，从而缓解领域特定偏差的副作用，并在此基础上提出了 Part-guided Self-Distillation (PSD) 来进一步提高全局特征的泛化性能。在大多数域泛化人物重识别设置下，我们的方法实现了当前最先进的性能，在 Market$ o$Duke 设置下，我们的方法在 Rank1 和 mAP 上超过了当前最先进的性能，分别提升了 10.9% 和 12.8%。

    Aug, 2023

  • 使用扩散模型合成高效的数据进行个体重新识别预训练

    提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

    Jun, 2024

  • 基于部件的伪标签精化方法用于无监督的行人再识别

    本文提出了一种基于组件的伪标签细化框架，通过利用全局特征和部分特征之间的互补关系，设计了一个交叉一致性得分来减少标签噪音。通过对全局特征的伪标签进行部件特征预测的集成，进一步减轻了全局特征聚类中的噪声，通过标签平滑来应用伪标签的部分特征。由于交叉一致性得分提供了可靠的互补信息，我们的方法可以有效地减少噪声标签的影响，并学习具有丰富本地上下文的判别性表示。

    Mar, 2022

  • 人物再识别的全局和组件化的语义表示自监督学习

    通过使用交互式分割模型（ISM）进行自适应的基于部位的语义提取，本文提出了 SemReID，一种自我监督的 ReID 模型，通过技术手段（如图像遮罩和 KoLeo 正则化）改进其语义表示，证明了其在三种类型的 ReID 数据集上具有优越的性能，并引入了 LUPerson-Part 数据集来增强对细粒度部位语义的获取，以提高鲁棒性。

    Nov, 2023