- MM面向相机感知的无监督个体再识别标签优化
我们介绍了一个减少相机差异的相机感知标签细化框架,通过聚类相机内的相似性进一步对齐特征分布并减少跨相机特征相似性计算中的性能退化问题。
- 基于空间级联聚类和加权记忆的无监督人员再识别
最近的无监督人员再识别(re-ID)方法通过利用细粒度的局部上下文实现了较高的性能。然而,大多数基于部分的方法通过水平分割来获得局部上下文,由于各种人体姿势导致了配准的问题。此外,部分特征中语义信息的不配准限制了度量学习的使用,从而影响了基 - 基于种群的进化博弈在无监督人员再识别中的应用
本文提出了一种基于人口统计学的进化博弈(PEG)的,来进行无人监督的人员再识别,其利用了协同游戏、克隆和波动超参数、知识蒸馏等多种技术来增加网络多样性,从而打破了单一网络面对无人监督条件学习判别信息的局限性,同时利用了交叉散射(CRS)来评 - 高效双向跨模态聚类匹配用于无监督可见 - 红外人员重识别
该研究提出了一种针对不同模态的行人图像进行无监督匹配的学习框架,该框架主要包括基于双向聚类匹配的跨模态簇匹配算法、模态特定和模态不可知对比学习框架以及跨模态一致性约束,实验表明该方法明显优于现有方法。
- 基于摄像头内部相似性的伪标签细化方法,用于无监督人员重识别
该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法,通过内部相机特征分布和自适应学习得到更加可靠的伪标签,取得了优于当前最先进方法的结果。
- 从多模态信息指导中学习可转移的行人表示
本文提出了一种学习可迁移表示以增强各种行人分析任务的新框架 VAL-PAT,并介绍了三个学习目标:自监督对比学习、图像文本对比学习和多属性分类。该框架在无标签人员图像的预训练下实现了良好的性能,并扩展到各种行人分析任务。
- MM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。
- 无监督人员重识别的净化学习
该论文提出了一种无监督的个体重识别方法,通过伪标签训练并使用不同本地视图的多视图特征来丰富特征表示,同时利用教师模型的知识来减少噪声干扰,经过特征净化模块的处理,其无监督个体重识别表现优于目前最好的方法,特别是在 Market-1501 数 - CVPR无监督个体再识别的隐式样本扩展
本文提出了一种基于隐式样本扩展的无监督人物再识别方法,通过生成支持样本来减少聚类中混合和分离的误差,同时通过一个能够压缩每个簇的标签保持损失,使得簇更加紧凑,从而提高了人物再识别的准确性。
- CVPR基于部件的伪标签精化方法用于无监督的行人再识别
本文提出了一种基于组件的伪标签细化框架,通过利用全局特征和部分特征之间的互补关系,设计了一个交叉一致性得分来减少标签噪音。通过对全局特征的伪标签进行部件特征预测的集成,进一步减轻了全局特征聚类中的噪声,通过标签平滑来应用伪标签的部分特征。由 - MM大规模无监督人员再识别的元聚类学习
通过聚类的方式进行无监督人物再识别,并采用 “小数据驱动大任务” 的机器学习范式,通过元聚类学习方法实现了对大规模无标注数据的高效利用,降低计算成本、改善数据标注问题。
- 随机训练策略下的无监督人员再识别
采用随机学习策略和统一的距离矩阵,提出了一种无监督的人员重新识别方法,以避免训练偏差和聚类错误的影响。
- ICCV基于图结构洞见的多标签预测和分类无监督人员重识别
本文提出了一种基于图形结构洞察力的多标签预测和分类方法,它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上,提出了 GSMLP 和 SMLC 两种方法,可以在不需要预标记数据集的情况下提高无监督个人 Re - ICCVICE:面向非监督人员重新识别的跨实例对比编码
本文介绍了一种基于想法 instance contrastive learning 的 unsupervised person re-identification 方法,主要通过提出 Inter-instance Contrastive E - CVPR无监督个体再识别的摄像头内部 - 外部相似性
本文提出一种基于 intra-inter camera 相似度的方法,生成更可靠的 pseudo-labels 用于训练 Re-ID 模型在多分支网络中,并在多个数据集上取得了 89.5% 的 rank-1 准确率,优于最新的无监督方法 9 - CVPR联合噪声容忍学习和元相机位移适应的无监督人员重识别
本文提出了一种统一框架来解决无监督的人员再识别问题,旨在解决聚类产生的嘈杂标签和相机偏移引起的特征变化。该框架包括 Dynamic and Symmetric Cross-Entropy 损失和 MEtaCam 算法来实现相机不变特征,得到 - AAAI针对非监督人员再识别的相机感知代理方法
本文提出一种基于聚类的无监督人物重识别方法,该方法使用相机感知代理来处理大量的内部 ID 差异,并通过代理平衡采样策略和对比学习组件进一步优化模型,在三个大规模 Re-ID 数据集上得到了很好的表现。
- CVPR联合生成和对比学习用于无监督的人物重新识别
本文研究基于自监督对比学习的无监督人员再识别问题,提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中,基于网格投影技术的视角生成器提供了数据增广,而对比学习模块则学习了生成视角不变特征。此外,引入了一种视角不变损失用于原始样 - 通过非对称分支增强教师与学生的网络多样性,在无监督个体再识别中应用
该研究旨在通过使用异构结构和交叉分支监督等提高神经网络中的特征多样性和权重多样性来解决自我合成教师 - 学生网络收敛于局部最小值的问题,从而提高无人监督的人物再识别任务的性能
- CVPR硬批次三元组损失的分层聚类在人员重新识别中的应用
本研究提出了一种基于层次聚类的伪标签指导的无监督人物重识别方法,该方法可以在未标记的目标数据集上进行训练,并通过使用层次聚类生成伪标签作为监控去训练,同时将 PK 抽样用于排除困难样例并促进算法的收敛,实验结果表明,HCR 方法可以达到非常