Feb, 2024

针对弱监督式人员再识别的对比式多实例学习

PDF
TL;DRContrastive Multiple Instance Learning (CMIL) is a novel framework for weakly supervised person re-identification that leverages contrastive losses to enhance performance, achieving state-of-the-art results on large-scale datasets without pseudo labels and surpassing baselines on multiple datasets.
发现论文，激发创造
  • 面向远程监督关系抽取的对比实例学习框架

    本文提出了一种新的对比实例学习框架，用于减少远程监督生成的训练数据中的噪声。与传统的多实例学习框架不同，该框架将初步多实例学习作为关系三元组编码器，并针对每个实例的正负对进行限制，实验证明该方法在 NYT10、GDS 和 KBP 上较以前的方法有显著提高。

    Jun, 2021

  • 弱监督下的人员再识别

    本文提出使用弱监督学习解决行人 Re-identification 问题的挑战，将其转化为多示例多标记学习问题并提出了 CV-MIML 方法及基于深度神经网络的 Deep CV-MIML 模型，经过实验表明该方法在四个弱标记数据集上表现优异。

    Apr, 2019

  • 对于全幅图像分类，重新考虑多实例学习：你只需要一个良好的实例分类器

    本文提出了一种基于对比学习和原型学习的实例级 MIL 框架，旨在有效完成实例分类和包分类任务，并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。

    Jul, 2023

  • C-MIL: 对于弱监督目标检测的连续多实例学习

    本文通过引入 “持续优化” 技术来改善多实例学习中的非凸性问题，并将其命名为持续多实例学习（C-MIL），以此提高弱监督目标检测和弱监督目标定位的准确性和效果。

    Apr, 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

  • 基于多标签分类的无监督行人再识别

    本文提出了一种基于多标签分类和记忆机制的非参数分类器的无监督人物重新识别方法，通过相似度计算和循环一致性保证预测标签的质量，并提高了 ReID 性能。利用标记的人物图像在其他领域中进行迁移学习，在多个大规模 ReID 数据集上进行实验，证明了该方法的卓越性能。

    Apr, 2020

  • 多原型逐步对比学习的无监督可见 - 红外人员再识别

    我们提出了一种渐进式对比学习多原型（PCLMP）方法，用于无监督的可见 - 红外人员再识别（USVI-ReID），通过引入硬原型、动态原型和渐进学习策略，该方法在多个数据集上验证了其有效性，超过了现有的最先进方法，并提供源代码。

    Feb, 2024

  • 无监督可见光 - 红外人物再识别的多记忆匹配

    提出了一种用于可见 - 红外无监督人物再识别的多内存匹配框架，通过生成伪标签和建立不依赖于任何先前注释的多模态伪标签对应关系来解决该任务中的关键挑战。通过使用交叉模态聚类、多内存学习和匹配以及软聚类级对齐策略来改进现有方法的不足，提高了跨模态对应关系的可靠性和效果。

    Jan, 2024

  • 自监督对比学习的双流多示例学习网络用于全切片图像分类

    本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。

    Nov, 2020

  • 迭代自适应自我定位对比学习的多示例学习方法

    提出使用迭代自适应有监督对比学习来改善多示例学习表示的框架，通过使用从样本级别伪标签获得的实例级伪标签来处理类不平衡问题，并使用新颖自适应抽样策略来确保伪标签的准确性，在三个医学数据集上的实验表明，该框架提高了实例级伪标签和表示的质量，并在袋和实例级准确性方面优于现有的 MIL 方法。

    Oct, 2022