Mar, 2022

CGUA：上下文引导和未配对辅助的弱监督人员搜索

PDF
TL;DR本研究提出了一种基于上下文引导和非成对辅助的弱监督人物搜索框架，其中引入了一种新的上下文引导聚类算法来利用聚类过程中的上下文信息和一个非成对辅助存储器单元来通过远离操作来区分未成对和成对的人。
weakly-supervised person searchunsupervised re-identificationcontext informationunpaired personsclustering process
发现论文，激发创造
  • 弱监督下基于视觉语境的人物搜索研究

    该论文提出了一种弱监督的人物搜索模型，通过三种层次的上下文线索（检测、记忆和场景）来提高模型的判别能力和聚类准确性，在 CUHK-SYSU 数据集上取得了 80% 的平均精确度，并且在性能上甚至可以与一些有监督的模型媲美。

    Jun, 2021

  • 统一身份认证和环境学习以进行人员识别

    本文提出了一种新的人物识别框架：区域注意力网络，它能够以实例相关的方式自适应地组合不同的视觉线索，并学习社交上下文和人物身份的推理，从而在复杂的环境中大幅提高了鲁棒性。

    Jun, 2018

  • 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

  • 带区域网络孪生网络的弱监督人搜索

    本文介绍了一种用于人物搜索的弱监督方法，该方法只需要标注边界框，使用 Region Siamese Networks 模型并应用实例级一致和簇级对比学习进行弱监督学习，实验表明该方法有效且在 CUHK-SYSU 基准数据集上的表现优于其他全监督方法。

    Sep, 2021

  • 人物检索的上下文图学习

    本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

    Apr, 2019

  • 基于空间级联聚类和加权记忆的无监督人员再识别

    最近的无监督人员再识别（re-ID）方法通过利用细粒度的局部上下文实现了较高的性能。然而，大多数基于部分的方法通过水平分割来获得局部上下文，由于各种人体姿势导致了配准的问题。此外，部分特征中语义信息的不配准限制了度量学习的使用，从而影响了基于部分的方法的有效性。上述两个问题导致基于部分的方法中的部分特征被轻微利用。我们引入了空间级联聚类和加权记忆（SCWM）方法来解决这些挑战。SCWM 旨在为不同的人体部位解析和对齐更准确的局部上下文，同时使记忆模块平衡困难样本挖掘和噪声抑制。具体而言，我们首先分析了先前方法中前景遗漏和空间混淆的问题。然后，我们提出了前景和空间矫正来增强人体解析结果的完整性和合理性。接下来，我们引入了加权记忆并利用了两种加权策略。这些策略解决了全局特征的困难样本挖掘问题，并增强了部分特征的噪声抵抗能力，从而更好地利用了全局和部分特征。对于 Market-1501 和 MSMT17 等广泛的实验验证了所提出方法在许多最先进方法上的有效性。

    Mar, 2024

  • 弱监督下的人员再识别

    本文提出使用弱监督学习解决行人 Re-identification 问题的挑战，将其转化为多示例多标记学习问题并提出了 CV-MIML 方法及基于深度神经网络的 Deep CV-MIML 模型，经过实验表明该方法在四个弱标记数据集上表现优异。

    Apr, 2019

  • 基于开放世界用户生成视频内容的人物搜索的通用性

    我们探索了增强人物搜索模型的域外泛化能力，并提出了一个可推广的框架，通过引入基于多任务原型的领域特定批量归一化和通道相关的特征去相关策略来促进任意场景中的下游任务。

    Oct, 2023

  • 快速单阶段无监督域自适应人员搜索

    本研究提出了一种快速单阶段无监督人物搜索方法（FOUS），该方法通过端到端的方式无需迭代聚类，通过引入基于注意力的领域对齐模块（ADAM）和原型引导标注方法，实现了在 CUHK-SYSU 和 PRW 等基准数据集上的最先进表现。

    May, 2024

  • 带多摄像头约束的无监督域自适应人重识别

    本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

    Oct, 2022