基于分组的自适应损失加权人员搜索
为了解决缺少查询图像的情况下基于属性的人员搜索任务的挑战,本文提出了一种 SAL 的符号对抗学习框架,其中交互的两个生成敌对网络相互受益,从而在两个具有挑战性的人行数据集上超越了九种最新方法。
Jul, 2020
该研究提出了一种新的交叉模态嵌入学习损失函数,它采用语义距离自适应间隔来推开共享不同标签之间的嵌入点。在公共基准测试中,该方法在没有额外工具的情况下实现了最先进的记录。
Aug, 2021
本文提出了一种基于群组洗牌随机游走网络的新方法,以充分利用训练和测试过程中图库图像之间的相关信息。该方法旨在通过简单而有效的矩阵操作,在基于图库图像之间的相关性信息的基础上完全细化 P2G 相似度,并可整合到深度神经网络中。在 Market-1501、CUHK03 和 DukeMTMC 数据集上,该方法优于现有技术,证明了该方法的有效性。
Jul, 2018
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
本文介绍了一个针对人物搜索的混合预训练框架,通过使用子任务数据,利用混合学习范式和任务内对齐模块,在有限资源下减轻了领域差异,在不同协议中实现了显著的模型改进。
Dec, 2023
本文评估了九种任务加权策略,提出了一种结合进化元学习和基于任务的选择反向传播的新方法,用于计算任务权重以实现可靠网络训练,改进了现有方法的性能。
Jan, 2020
本文提出了一种新颖的权重分组准确度估计方法,以解决由于分布变化导致的模型校准和模型选择困难,实验证明了分组准确度估计在提高模型校准和模型选择上的有效性,强调了在无监督领域适应中解决挑战的重要性。
Oct, 2023
本文提出的学习自动加权(LAW)框架是一种有效的解决训练偏差问题的新型示例加权方法,采用三个关键组件,通过阶段搜索、重复网络奖励、全数据更新等操作实现自适应的加权方案,实验结果证明其优于标准训练流程,可在倾斜的 CIFAR 和 ImageNet 中找到更好的加权计划提高准确率。
May, 2019
本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法,使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络,以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。
Nov, 2016