Jun, 2023

基于种群的进化博弈在无监督人员再识别中的应用

PDF
TL;DR本文提出了一种基于人口统计学的进化博弈（PEG）的，来进行无人监督的人员再识别，其利用了协同游戏、克隆和波动超参数、知识蒸馏等多种技术来增加网络多样性，从而打破了单一网络面对无人监督条件学习判别信息的局限性，同时利用了交叉散射（CRS）来评估模型表现，实验证明，这种方法在无人监督学习方面具有巨大的发展潜力，其准确度超越了当前的行业水平。
unsupervised person re-identificationneural networksevolutionary gamingpopulation-based trainingcross-reference scatter
发现论文，激发创造
  • 使用保持相似度的生成对抗网络进行跨数据集的人员再识别

    本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

    Jun, 2018

  • 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

  • 领域自适应人员身份识别的多专家头脑风暴

    本文提出了一个用于领域自适应人员重新识别的多专家头脑风暴网络（MEB-Net），采用相互学习策略，通过多个具有不同体系结构的网络专家模型进行预训练，在专家模型之间进行头脑风暴，以适应领域，增强适应的重新识别模型的区分能力，并通过引入关于专家权威性的正则化方案来容纳具有不同体系结构的专家模型的异质性。通过对大规模数据集（Market-1501 和 DukeMTMC-reID）进行的广泛实验表明，MEB-Net 比现有技术具有更优秀的表现。

    Jul, 2020

  • 联合生成和对比学习用于无监督的人物重新识别

    本文研究基于自监督对比学习的无监督人员再识别问题，提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中，基于网格投影技术的视角生成器提供了数据增广，而对比学习模块则学习了生成视角不变特征。此外，引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明，该方法在多个大规模数据集上进行了全面的性能测试，均取得了比先前研究更好的效果。

    Dec, 2020

  • 利用虚拟和真实人物进行无监督的人员重新识别

    本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

    Nov, 2018

  • 带多摄像头约束的无监督域自适应人重识别

    本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

    Oct, 2022

  • 在自训练子空间中增强人物重新识别

    本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

    Apr, 2017

  • 使用深度相似度引导的图神经网络进行人员重新识别

    该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。

    Jul, 2018

  • 使用扩散模型合成高效的数据进行个体重新识别预训练

    提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

    Jun, 2024

  • 边缘 - 云连续体中联邦式无监督个人再识别的联合优化

    FedUReID 是一种基于联邦无监督学习的人物重识别系统，可在维护数据隐私的同时，在边缘计算上进行现场模型训练，通过联合优化云和边缘的个性化训练解决无监督场景下人物重识别问题。实验表明，与现有方法相比，FedUReID 不仅在精度上更高，而且计算成本降低了 29％，可用于解决无标签的多媒体任务。

    Aug, 2021