Mar, 2024

多样化的表示嵌入在持续人员再识别中的应用

PDF
TL;DR通过 Diverse Representation Embedding （DRE）框架，提出了一种新颖的 Lifelong Person Re-Identification（LReID）方法，该方法在实例级别和任务级别布局上保留老知识并适应新信息，减少旧任务和新任务之间的领域差距，从而提高模型的性能。
lifelong person re-identificationdiverse representation embeddingcatastrophic forgettingadaptive constraint moduleknowledge update
发现论文，激发创造
  • 面向终身人员重识别的自动选择知识适配器

    Lifelong Person Re-Identification (LReID) uses a novel framework called AdalReID, featuring knowledge adapters and a parameter-free auto-selection mechanism, to overcome catastrophic forgetting and improve generalization ability by incrementally building domain-specific knowledge adapters and enhancing knowledge interaction and fusion.

    May, 2024

  • 通过知识更新和巩固实现终身人员重新识别

    提出了一种名为 Lifelong person re-identification (LReID) 的方法，通过知识刷新和巩固（KRC）模型进行学习，以实现对旧任务的记忆保持和对新旧任务的正向和反向迁移。

    Nov, 2022

  • 通过自适应知识积累实现终身人员重识别

    本文提出了一种 “终身学习” 的 Person ReID 方法，采用自适应知识积累（AKA）框架来刻画人脑的认知过程，能够跨越多个领域持续学习，缓解领域变化和知识遗忘的问题，大规模实验表明该方法在推广性评估中的 mAP 指标超过其他竞争对手 5.8％。

    Mar, 2021

  • 具有向后兼容性的终身个体再识别

    我们提出了具备向后兼容性的一种连续学习人员重识别模型，通过引入跨模型兼容性损失和知识整合方法，实现在连续到来的数据集上训练模型时对先前训练的旧模型的向后兼容性。实验结果表明，与现有方法相比，所提出的方法在向后兼容性方面取得了显着提高的性能，是更实际的人员重识别领域的有希望的工具。

    Mar, 2024

  • 面向终身人员再识别的分布对齐语义适应

    在本文中，我们提出了一种适应分布匹配语义调整（Distribution Aligned Semantics Adaption，简称 DASA）框架，通过有效地调整 BN 以减轻数据分布差异的干扰并冻结预训练的卷积层来保留共享知识，其显著降低存储消耗，优于先进的生命周期行人重新识别方法，是一种创新且经济高效的适应预训练模型进行生命周期行人重新识别的方法。

    May, 2024

  • 局部样本分布的深度自适应特征嵌入在个体识别中的应用

    本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

    Jun, 2017

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 使用扩散模型合成高效的数据进行个体重新识别预训练

    提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

    Jun, 2024

  • 基于视频的行人再识别与长短期表示学习

    提出了一种名为长短期表示学习（LSTRL）的新型深度学习框架，通过多粒度外观提取器（MAE）和双向运动估计器（BME）有效地提取长期和短期信息，显著改善了视频行人重新识别（V-ReID）的特征表示能力。实验证明，该方法在三个广泛使用的基准测试上表现出更好的性能。

    Aug, 2023

  • 学习解析度不变深度人物再识别表示

    本文提出一种名为 RAIN 的网络架构，通过对抗学习的策略来提取具有分辨率不变性的表示，从而解决跨分辨率人物重新识别的问题，实验表明所提出的模型可以识别低分辨率的查询图像，并可以用于半监督重新识别。

    Jul, 2019