Apr, 2022

无监督人员重识别的净化学习

PDF
TL;DR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。
发现论文，激发创造
  • 无监督人员重新识别：聚类和微调

    本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

    May, 2017

  • 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

  • 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

  • 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

  • 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

  • 大规模预训练用于带噪标签的人物再识别

    本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

    Mar, 2022

  • 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

  • 非对称协作式教学：用于无监督跨领域人员再识别

    本文介绍了一种基于深度学习和聚类算法的人物重识别方法，着重探讨了聚类方法引入噪声标签导致模型泛化能力不足的问题，并提出了一种异构共同教学的框架，用于过滤、清洗和重复样本的选择，以支持聚类方法的改进和模型的再训练，取得了不错的实验效果。

    Dec, 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

  • 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