IJCAIAug, 2022

多层关系图建模的骨架原型对比学习用于无监督人员再识别

PDF
TL;DR提出了一种无监督学习方法 SPC-MGR ，通过多级图关系学习和骨架原型对比学习来学习骨骼的有效表征，从而进行人员再识别。通过实验，在更通用的情境下，SPC-MGR 取得了高竞争力的人员再识别表现。
person re-identification3d skeletonsmulti-level graph relation learningunsupervised learningskeleton prototype contrastive learning
发现论文，激发创造
  • 基于层次骨架元 - 原型对比学习与硬骨架挖掘的无监督人员再识别

    该论文提出了一种基于层次化骨架元原型对比学习（Hi-MPC）的通用无监督人体骨架深度学习方法，通过构建层次化骨架表示并利用硬骨架挖掘机制，该方法能够在人体重新识别方面提取更有效的骨架特征。

    Jul, 2023

  • TranSG: 基于 Transformer 的骨架图原型对比学习，结合结构 - 轨迹驱动的重构用于人员再识别

    本文提出了一种基于 Transformer 的 Skeleton Graph 原型对比学习（TranSG）方法来进行人员重新识别，该方法能够充分捕捉骨架间的关系和有价值的空间 - 时间语义，通过实证评估表明，TranSG 明显优于现有的最先进方法。

    Mar, 2023

  • SimMC: 通过简单的遮蔽对比学习骨架表示，实现无监督的人员再识别

    本研究提出了一种基于无标签三维骨架的人物再识别的学习框架，包括原型对比学习方案和序列内部模式一致性对比学习方案，用于学习判别骨架表示。实验表明，所提出的方法胜过大多数现有的骨架方法并具有良好的可扩展性和效率。

    Apr, 2022

  • SM-SGE：自监督的多尺度骨架图编码框架用于人员再识别

    本研究提出了一种自监督的多尺度骨架图编码框架，通过学习不同尺度的未标记骨架图来建模人体构造、骨架动态和部件关系以实现人体再识别，实验证明其性能优于现有骨架方法。

    Jul, 2021

  • Skeleton-Contrastive 3D 行为表示学习

    本论文提出了一种基于骨架的行为识别的自监督学习方法，通过噪声对比估计学习骨架表示的不变性以及各种增强策略。该方法在 PKU 和 NTU 数据集上进行了验证，并在多个下游任务中实现了最新水平。

    Aug, 2021

  • 一种具有局部感知的自监督步态编码方法用于基于三维骨架的人员重新识别

    本文提出了一种自监督步态编码方法，通过生成反向骨架序列实现了足够丰富的高层语义，并且结合局部感知机制和对比学习策略，设计出有效的步态编码，在人物重新识别领域中超过了其它方法达 15% 至 40% 的 Rank-1 准确度。

    Sep, 2020

  • 基于图结构洞见的多标签预测和分类无监督人员重识别

    本文提出了一种基于图形结构洞察力的多标签预测和分类方法，它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上，提出了 GSMLP 和 SMLC 两种方法，可以在不需要预标记数据集的情况下提高无监督个人 Re-ID 的性能，在实验中获得了最先进的性能表现。

    Jun, 2021

  • 基于对比重构的自监督骨架动作识别表示学习

    该论文提出了一种名为 CRRL 的新型对比重建表示学习网络，它通过无监督学习方式，同时捕捉姿态和运动动态，从而提高无标签数据的骨骼动作识别效果。在实验上，该方法在多个基准数据集上远远优于现有技术水平。

    Nov, 2021

  • 基于骨架的关系推理用于群体活动分析

    本文提出了一个基于骨架信息的新方法 (GIRN)，能够从中直接解释个体之间的交互。该方法将多种关系类型作为独立模块从骨骼信息中推导出来，并利用注意机制将个体不同的关系集成起来。作者在排球数据集上进行了实验，取得了竞争性的效果，提出了基于骨架的方法模拟多人交互的潜力。

    Nov, 2020

  • 基于骨架的步态识别的深入理解

    该论文提出了一种基于 Graph Convolutional Networks（GCNs）的方法，结合高级别输入和残差网络，用于骨架轮廓图进行步态识别，实验结果显示了 3 倍于最先进技术水平和强大的视频建模能力。

    Apr, 2022