Jun, 2024

DenoiseReID: 人物再识别表示学习的去噪模型

PDF
TL;DR我们提出了一种用于表示学习的新型去噪模型，并以人员重识别（ReID）作为基准任务，称为 DenoiseReID，通过联合特征提取和去噪来改进特征的区分能力。
denoising modelrepresentation learningperson re-identificationfeature extractionfeature denoising
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

  • FD-GAN: 姿态引导特征蒸馏 GAN 用于强韧的人员再识别

    本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

    Oct, 2018

  • 人员再识别中的前景关注鉴别特征学习

    本研究提出了一种简单而有效的前景注意力神经网络（FANN），通过引入前景针对子网和特征融合子网学习判别性特征表示来解决人员再识别问题，在多任务学习框架中训练 FANN，可以学习到一种判别性特征表示，能够在各种候选项中寻找与每个探针匹配的参考值。与最先进的方法相比，该方法在多个公共基准数据集上都显示出明显的改进。

    Jul, 2018

  • 通过劣化不变性学习进行现实世界的人员重新识别

    本文提出了一个用于实现真实场景下的人物再识别的降解不变性学习框架，该框架采用了自我监督的分解表示学习策略，能够同时提取身份相关的强健特征，并消除真实世界中存在的降解，同时在低分辨率图像上实现了最先进的识别效果。

    Apr, 2020

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016

  • 基于独立多域标签的分散学习，用于人员再识别

    本文提出了一种基于联邦学习的人员重识别模型 ——FedReID，采用了去中心化的训练方式，在保障本地隐私数据不被泄漏的前提下，通过来自多个本地客户端的模型更新，构建了一个面向全局的可推广模型，且其性能优于当下现有的算法。

    Jun, 2020

  • 人员重识别的联合判别和生成学习

    本文提出了一个联合学习框架，将 Re-ID 学习和数据生成端到端地耦合在一起，通过生成高质量的跨 ID 组合图像来提高鉴别模块的性能，该框架在多个基准数据集上达到了最先进的性能表现。

    Apr, 2019

  • 无监督个体再识别的判别式表示学习

    本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

    Aug, 2021

  • 人物再识别的判别式学习卷积神经网络嵌入

    本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

    Nov, 2016

  • TransReID：基于 Transformer 的目标重识别

    本文介绍了基于 transformer 的物体 ReID 方法 TransReID，通过重新排列 patch embeddings，设计新颖的 jigsaw patch module 和 side information embeddings 模块来提高对细节、摄像机视角等因素的鲁棒性，并在多个 ReID 数据集上实现了最优结果。

    Feb, 2021