CVPRMar, 2022

基于部件的伪标签精化方法用于无监督的行人再识别

PDF
TL;DR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。
unsupervised person re-identificationpseudo-label refinementfine-grained local contextpart-based pseudo label refinementcross agreement score
发现论文，激发创造
  • 基于摄像头内部相似性的伪标签细化方法，用于无监督人员重识别

    该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

    Apr, 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

  • 无监督人员重识别的净化学习

    该论文提出了一种无监督的个体重识别方法，通过伪标签训练并使用不同本地视图的多视图特征来丰富特征表示，同时利用教师模型的知识来减少噪声干扰，经过特征净化模块的处理，其无监督个体重识别表现优于目前最好的方法，特别是在 Market-1501 数据集上 ResNet-50 下，实现了 94.5%@Rank-1 的准确度。

    Apr, 2022

  • 面向相机感知的无监督个体再识别标签优化

    我们介绍了一个减少相机差异的相机感知标签细化框架，通过聚类相机内的相似性进一步对齐特征分布并减少跨相机特征相似性计算中的性能退化问题。

    Mar, 2024

  • 利用多代聚类达成一致的方式完善伪标签，用于无监督物体重识别

    该研究采用聚类共识和时序集成伪标签的方法，旨在解决伪标签噪声的问题，提升无监督物体识别方法的准确率。实验证实，该方法在 MSMT17 数据集上取得了最高 8.8% 的平均精度提升。

    Jun, 2021

  • 基于邻居关系的鲁棒伪标签学习方法用于无监督可见 - 红外人物再识别

    无监督可见 - 红外人物重识别 (USVI-ReID) 中的伪标签校准与邻近关系学习方法 (RPNR) 能够有效改进模型鲁棒性和提高准确度。

    May, 2024

  • 探究基于概率不确定性的无监督域自适应人员再识别

    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。

    Dec, 2021

  • 半监督跨摄像机软标签学习的渐进式人员重识别

    该研究提出了一种新的渐近式跨摄像头软标签学习方法用于半监督人物重识别任务，该方法能够生成跨摄像头软标签和利用它们优化网络。在五个大规模基准数据集上进行的广泛实验表明，该方法明显优于使用标记源域或 GAN 模型生成的图像的最新无监督方法，并且甚至具有与深度监督人物重识别方法相当的性能。

    Aug, 2019

  • 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