面向漫画角色再识别的身份感知半监督学习
漫画处理中的角色识别和对话者预测是至关重要的,本研究提出了一种零样本方法,利用未注释的漫画图像单独识别角色和预测说话者名称,并通过一个迭代的多模态框架进行实验验证。
Apr, 2024
通过使用交互式分割模型(ISM)进行自适应的基于部位的语义提取,本文提出了 SemReID,一种自我监督的 ReID 模型,通过技术手段(如图像遮罩和 KoLeo 正则化)改进其语义表示,证明了其在三种类型的 ReID 数据集上具有优越的性能,并引入了 LUPerson-Part 数据集来增强对细粒度部位语义的获取,以提高鲁棒性。
Nov, 2023
本论文提出了一种通过细致的监督设计,驱动重新识别网络学习语义对齐特征表示的框架,其中包括了一个带编码器(SA-Enc)的 Semantics Aligning Network (SAN) 用于重新识别,以及一个解码器(SA-Dec)用于重建 / 回归密集语义对齐全纹理图像,并在三元组 ReID 约束下增加感知损失,以确保推断的计算效率。该设计取得了基准数据集 CUHK03,Market1501,MSMT17 和部分人物重新 ID 数据集 Partial REID 等的最佳表现。
May, 2019
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
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
我们提出了 Content and Salient Semantics Collaboration(CSSC)框架,通过有效利用行人图像中存在的丰富语义而无需任何辅助手段,实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征,并有效地减少了服装外观的干扰,从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能,显示了其优越性。
May, 2024
本文提出了一种有效的结构化学习方法来解决个人重新识别问题,在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征,并制定了两种优化算法,直接优化常用于个人重新识别的评估措施,也称为累积匹配特性(CMC)曲线,并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统,可优于大多数现有算法。更重要的是,我们将基准测试的 rank-1 识别率从 40%提高到 50%、从 16%提高到 18%、从 43%提高到 46%、从 34%提高到 53%、从 21%提高到 62%。
Mar, 2015
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
本研究提出了一种多任务中间特征对齐网络(MMFA)来解决无监督跨数据集人员再识别任务的问题,该网络采用中间语义属性,通过交叉数据集中间特征对齐正则化项进行联合优化,取得了比现有方法更好的性能。
Jul, 2018
本文提出了一种语义掩膜驱动的对比学习方法,通过学习层次语义邻域结构中的 RGB 和语义特征,学习跨服装不变性,实现了长期无监督人员再识别。实验表明,与无监督 re-id 竞争对手相比,我们的方法具有更好的性能,并且与监督基线只有很小的差距。
May, 2023