Aug, 2023

考虑部分信息的可推广人员再识别变压器

PDF
TL;DR我们提出了一种适用于域泛化人物重识别任务的纯 Transformer 模型，通过设计了一个名为 Cross-ID Similarity Learning (CSL) 的代理任务来挖掘不同 ID 之间共享的局部视觉信息，从而缓解领域特定偏差的副作用，并在此基础上提出了 Part-guided Self-Distillation (PSD) 来进一步提高全局特征的泛化性能。在大多数域泛化人物重识别设置下，我们的方法实现了当前最先进的性能，在 Market$ o$Duke 设置下，我们的方法在 Rank1 和 mAP 上超过了当前最先进的性能，分别提升了 10.9% 和 12.8%。
发现论文，激发创造
  • 保留自我相似性和域差异性的图像域自适应技术在人员重识别中的应用

    本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

    Nov, 2017

  • 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

  • 局部感知变换器进行人员再识别

    本论文提出了一种新型的 LA-Transformer 人物重识别算法，该算法使用了局部感知机制并融合了 PCB 策略以及分块微调技巧，相比于其他现有方法，在 Market-1501 和 CUHK03 数据集上达到了目前最优的识别率。

    Jun, 2021

  • EANet: 跨域人员再识别增强对齐

    本文提出了 Part Aligned Pooling (PAP) 和 Part Segmentation (PS) 约束来解决跨领域的人物再识别问题，并实现了有效的域自适应，实验表明，该模型在源域和跨域环境下都取得了最先进的性能。

    Dec, 2018

  • 基于相似性保持的人物再识别图像域自适应

    本文使用 “学习 via 翻译” 框架研究人员重新识别中的领域适应问题，提出一种相似性保持的生成对抗网络 (SPGAN) 和其端到端可训练版本 eSPGAN 来解决此问题。在实验中，展示了两个大规模人员重新识别数据集上的新颖领域适应结果。

    Nov, 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

  • 通用人物再识别的双分布对齐网络

    本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

    Jul, 2020

  • 领域适应注意力模型：无监督跨域人物再识别

    该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

    May, 2019

  • 令人沮丧地简单的人员再识别：在实践中推广人员再识别

    本研究提出了一种简单的基线框架以解决人员重识别方法在不同数据集间的领域偏移问题，通过实例规范化和特征规范化这两种方式软化两个数据集之间的领域偏移问题，并取得了显著的精度提升。

    May, 2019

  • 无监督多源领域自适应用于人员再识别

    本文提出了一种多源领域自适应人员重识别方法，并从特定领域和融合视角两个方面入手，引入了矫正特定领域批处理归一化和基于图卷积网络的多领域信息融合模块，从而使得该方法在大规模检验集上超越现有的无监督领域自适应人员重识别方法，且可达到监督方法的性能水平。

    Apr, 2021