Oct, 2023

基于开放世界用户生成视频内容的人物搜索的通用性

PDF
TL;DR我们探索了增强人物搜索模型的域外泛化能力，并提出了一个可推广的框架，通过引入基于多任务原型的领域特定批量归一化和通道相关的特征去相关策略来促进任意场景中的下游任务。
person searchopen-world distributiongeneralization capabilitiesdomain differenceprototype-based domain-specific batch normalization
发现论文，激发创造
  • 利用虚幻数据集的领域通用人员搜索

    基于域泛化框架的新型人物搜索方法，通过自动标注的虚拟数据集进行训练，适用于任意未见过的真实数据集，并采用人物实例的保真度估计来适应性地训练网络，并设计了域不变特征学习方案来抑制与域相关的特征，实验证明该方法在不需要任何先验知识和重训练负担的情况下，能够提供与现有人物搜索方法相媲美的性能。

    Mar, 2024

  • 基于 GAN 场景合成的跨场景视频领域自适应人物搜索

    通过使用生成对抗网络，本研究设计了一种生成高质量跨身份场景合成的模型，用于人物搜索任务，实验证明该方法能够有效增加数据集的多样性和真实性。

    Aug, 2023

  • 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

  • 在线视频多模态人员搜索

    本文提出了一种在线人员搜索框架，它采用多模态记忆库作为人员识别的基础，并通过强化学习获得策略进行动态更新。实验结果表明，该方法不仅实现了在线模式下的显著改进，而且胜过了离线方法。

    Aug, 2020

  • 带多摄像头约束的无监督域自适应人重识别

    本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

    Oct, 2022

  • 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

  • 人员再辨识的深度学习：综述与前瞻

    本文介绍了人物重识别技术在深度学习方面的应用，提出了封闭式和开放式两种应用场景，并且详细分析了两种场景下的数据集、算法和评估指标。最后，设计了一个有效的基线系统，并提出了一个新的评估指标，同时探讨了未来的研究方向。

    Jan, 2020

  • 对抗式开放世界人物再识别

    本研究基于深度学习和对抗学习提出了一种深度开放式人物重新识别模型 (APN)，它通过使用生成对抗网络生成逼真的假冒图片进行特征提取器攻击，同时攻击后让特征提取器学习更好的群组验证，解决了非目标人物相似造成的人物重新识别模型攻击问题。

    Jul, 2018

  • 弱监督下基于视觉语境的人物搜索研究

    该论文提出了一种弱监督的人物搜索模型，通过三种层次的上下文线索（检测、记忆和场景）来提高模型的判别能力和聚类准确性，在 CUHK-SYSU 数据集上取得了 80% 的平均精确度，并且在性能上甚至可以与一些有监督的模型媲美。

    Jun, 2021

  • 人物检索的上下文图学习

    本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

    Apr, 2019