带多摄像头约束的无监督域自适应人重识别
本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架,通过解决数据分布差异、标记信息缺乏等问题,采用相机感知域自适应和在线三元捆绑等方法,实现了针对人物再识别特征的优化和提取,并在基准数据集上进行了实验和消融研究,展现了其卓越性能和有趣的属性。
Apr, 2019
我们提出了一种新颖的无监督域适应方法,用于人物再识别(reID),该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习(CaCL)框架,通过渐进地训练目标域数据集的多个子集,将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。
Aug, 2023
该论文介绍了一个基于流形学习的动态摄像头网络中的人物重识别无监督学习方法,并提出了一个可利用最佳源摄像头信息改善多个摄像头间准确度的推理算法。该方法在四个基准数据集上的实验结果表明,明显优于现有的无监督学习方法且计算效率极高。
Jun, 2017
本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法,包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法,实验表明该方法具有显著优势。
May, 2019
本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法,使用知名的 Market-1501,Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。
May, 2022
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
本研究提出一种基于深度学习和自动原型域发现的人员再识别方法,该方法具有自适应的学习能力和模型选择能力,可以自动选择最接近的原型域模型进行再识别,无需监督或非监督域自适应学习。实验证明,该方法优于当前大多数监督和非监督方法。
Oct, 2016
本研究针对人物重新识别的实际场景问题,提出了一种新型的基于领域自适应的无监督学习方法,通过引入 ktCUDA 与 SHRED 算法,实现了对不同环境下的人物重新识别任务的高效识别,该方法在 4 个不同的图像和视频基准数据集上均取得了优于现有技术方法的平均 + 5.7 mAP 的识别性能表现。
Jan, 2020
本文旨在解决计算机视觉中无监督领域自适应重新识别的问题,并且提出了一种基于自我训练的方案来优化在提取特征空间中推测无标签目标数据所得的伪标签,评估与现有的同类方法的对比表明此方案是有效的。
Jul, 2018
本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题,取得了与监督技术相当的效果。
Apr, 2018