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

Jul, 2023

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

Hierarchical Skeleton Meta-Prototype Contrastive Learning with Hard Skeleton Mining for Unsupervised Person Re-Identification

PDF

Haocong Rao, Cyril Leung, Chunyan Miao

TL;DR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。

Abstract

With rapid advancements in depth sensors and deep learning, skeleton-based person re-identification (re-ID) models have recently achieved remarkable progress with many advantages. Most existing solutions learn single-level skeleton features from body joints with the assumption of equal skeleton importance, while they typically lack the ability to exploit mor

skeleton-based person re-identification unsupervised learning hierarchical skeleton representations meta-prototype contrastive learning hard skeleton mining

发现论文，激发创造

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

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。

Aug, 2022

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

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

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

基于分层对比的无监督骨架动作表示学习

本文提出了一种新的 Hierarchical Contrast (HiCo) 框架用于无监督骨架动作表示学习，不同于现有的基于对比度的解决方案，HiCo 框架在多个粒度级别中表示输入，并进行层次化对比，实验结果表明其在行动识别和检索方面达到了无监督骨架动作表示学习的最新技术水平，并具有良好的可转移性。

Dec, 2022

水平金字塔匹配的人员再识别

通过提出的 Horizontal Pyramid Matching 方法，我们可以在一定程度上减缓由于缺失身体部位而出现的识别失败情况，通过对不同的部分进行分类来增强各个人物部位的辨别能力，在全局和局部方面运用平均和最大池化策略来区分不同的人物信息，并在三个流行的基准测试中分别获得马记得 1501，DukeMTMC-ReID 和 CUHK03 的 mAP 分别为 83.1％，74.5％和 59.7％，从而达到新的最佳水平。

Apr, 2018

人物再识别的人类语义分析

本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同，我们提出采用人类语义分析来提取局部特征，相应的性能得到了大幅提升，并成为了当前最优方法。此外，我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法，如 Inception-V3 和 ResNet-152，无需修改即可显著提高人物再识别的性能。

Mar, 2018

软多标签学习的无监督人员重新识别

论文提出了一种基于软多标签学习的无监督人物识别方法，该方法引入了参考代理学习来表示每个参考人物，利用视觉特征和软多标签的相似性一致性对目标域学习了区分嵌入，并开展了跨视角一致的软多标签学习以实现学习目标的达成。

Mar, 2019

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