ICCVAug, 2023

寻求身份的自监督表征学习用于可普遍适用的人员重新识别

PDF
TL;DR这篇论文旨在使用大规模视频学习一个领域通用的人物再识别表示，不需要任何标注。通过利用大规模无监督数据进行训练，该论文提出了一种身份寻求自监督表示学习方法，以解决数据和标注的问题。该方法构建了正样本对，通过将实例关联建模为最大权重二分匹配问题。并且还提出了一个可靠性引导的对比损失，以抑制噪声正样本的负面影响，确保可靠的正样本主导学习过程。ISR 在市场 - 1501 和 MSMT17 数据集上达到了 87.0% 和 56.4% 的 Rank-1 指标，在无人标注和微调的情况下分别超过了最佳监督领域通用方法 5.0% 和 19.5%。在预训练 -> 微调方案中，ISR 在 MSMT17 数据集上达到了 88.4% 的 Rank-1 指标。
domain-generalizable person re-identificationunsupervised learningidentity-seeking self-supervised representationreliability-guided contrastive losslarge-scale data
发现论文，激发创造
  • 学习分解表示以实现强固的人员再识别

    本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

    Oct, 2019

  • 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

  • 半监督域通用人物再识别

    本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

    Aug, 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

  • 学习不变领域表示以实现可推广的人员复识别

    本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。

    Mar, 2021

  • 基于相机内自监督的行人再识别：新的基准测试

    本研究提出了一种基于 Intra-Camera Supervised（ICS）的 Multi-Task Multi-Label（MTML）深度学习方法来解决人员再辨认问题，该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法，MTML 模型能够在相关的数据集上提高人员再辨认的准确性。

    Aug, 2019

  • 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

  • 基于摄像头内监督的行人再识别

    提出基于独立相机身份标注的人物再识别范式，称为 ICS，并设计了一种用于跨相机识别的多任务深度学习方法 MATE，该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。

    Feb, 2020

  • 针对非监督人员再识别的相机感知代理方法

    本文提出一种基于聚类的无监督人物重识别方法，该方法使用相机感知代理来处理大量的内部 ID 差异，并通过代理平衡采样策略和对比学习组件进一步优化模型，在三个大规模 Re-ID 数据集上得到了很好的表现。

    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