Jul, 2023

大规模全无监督再识别

PDF
TL;DR提出了两种策略来学习大规模无标签数据，其中第一种策略通过进行局部邻域抽样来减小数据集的大小，而不违反邻域关系，第二种策略采用了一种较快且内存高效的重新排名技术，并介绍了一种新的调度算法来调整训练中的密度参数，使学习对噪声标签具有鲁棒性。此外，还引入了一种共训练策略，通过预测伪标签在不同模型之间的排列来增强模型性能。
fully-unsupervised person and vehicle re-identificationlarge-scale unlabeled datare-ranking techniqueclustering algorithmco-training strategy
发现论文，激发创造
  • 随机训练策略下的无监督人员再识别

    采用随机学习策略和统一的距离矩阵，提出了一种无监督的人员重新识别方法，以避免训练偏差和聚类错误的影响。

    Aug, 2021

  • 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

  • 通过无监督超图排名选择和融合进行人员再识别

    本项研究提出了一种流形排名聚合方法，对多个不同特征提取器产生的多样化排名列表进行完全无监督的选择和融合，进而提高了人物 Re-ID 的表现。

    Apr, 2023

  • 大规模无监督人员再识别的元聚类学习

    通过聚类的方式进行无监督人物再识别，并采用 “小数据驱动大任务” 的机器学习范式，通过元聚类学习方法实现了对大规模无标注数据的高效利用，降低计算成本、改善数据标注问题。

    Nov, 2021

  • 无监督预训练用于个体再识别

    本文介绍了一个名为 LUPerson 的大规模未标记人物重识别数据集，并尝试进行无监督预训练来提高学习到的人物 Re-ID 特征表示的泛化能力，探究了数据增强和对比损失等方面对学习 Re-ID 特征的关键因素，其使用预训练模型可以获得在现有数据集上的最先进结果。

    Dec, 2020

  • 空间 - 时间模式迁移学习实现跨数据集无监督人员再识别

    提出一种基于无监督增量学习、迁移学习和贝叶斯融合模型的人物再识别算法，通过将视觉分类器从已有的小型单一数据集转移到未标记的目标领域，以学习行人的时空模式，并将其与视觉特征结合，最终利用基于学习排序的相互促进过程来增量地优化，实验结果表明，相比于现有的跨数据集无监督人物再识别算法，该算法取得了显著的改进。

    Mar, 2018

  • 无监督人员重新识别：聚类和微调

    本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

    May, 2017

  • 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

  • 基于摄像头内部相似性的伪标签细化方法，用于无监督人员重识别

    该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

    Apr, 2023

  • 软化相似度学习实现非监督式人物再识别

    本篇论文研究了人物再识别任务在无监督设置下的迭代式训练机制，放弃了集群聚类，改用基于配对计算和软化分类任务的方法计算相似度，从而在无标记数据下获得了最先进的性能表现。

    Apr, 2020