CLIP-DFGS: A Hard Sample Mining Method for CLIP in Generalizable Person Re-Identification
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）
针对CLIP在泛化行人重识别中细粒度特征提取不足的问题，提出基于深度优先搜索的难样本挖掘方法DFGS，通过构建高判别难度小批量数据增强模型跨模态学习能力，显著提升了泛化行人重识别性能。
2024-10-15 cs.CV
Towards Generalizable Person Re-identification with a Bi-stream Generative Model
可推广的人再识别（re-ID）由于其强大的适应能力，在看不见的数据域引起了越来越多的关注。然而，现有的解决方案通常忽略交叉相机（例如，照明和分辨率差异）或行人未对准（例如，视点和姿态差异），这在适应新领域时容易导致较差的泛化能力。在本文中，我们将这些困难表述为：1）摄像机（CC）问题，这表示不同的相机引起的各种人的外观变化; 2）摄像机（CP）问题，这表示在不同的相机视点或改变姿势的情况下，由同一身份的人引起的行人错位。为了解决上述问题，本文提出了一种双流生成模型（BGM），该模型融合了摄像机不变的全局特征和摄像机对齐的局部特征来学习图像的细粒度表示，包含一个编码网络和两个流解码子网络。在原始行人图像的引导下，通过过滤跨相机干扰因素，使用一个流来学习用于CC问题的相机不变全局特征。对于CP问题，另一个流使用信息完整的密集语义对齐的部分地图学习行人对齐的局部特征。提出了部分加权的损失函数，以减小缺失部分对行人线形的影响。大量的实验表明，我们的方法优于国家的最先进的方法在大规模的可推广的re-ID基准，涉及领域泛化设置和跨域设置。
2022-06-26 cs.CV
Learning Robust Visual-Semantic Embedding for Generalizable Person Re-identification
Shanghai Jiao Tong University（上海交通大学）
本文提出多模态等效Transformer（MMET）和掩码多模态建模策略（MMM），通过联合学习视觉与语义特征并动态掩码图像块和文本标记，提升可泛化行人重识别的跨域泛化能力。
2023-04-19 cs.CV
Meta Batch-Instance Normalization for Generalizable Person Re-Identification
Korea Advanced Institute of Science and Technology（韩国科学技术院）
尽管有监督的人重新识别（Re-ID）方法已经显示出令人印象深刻的性能，但它们在看不见的领域中的泛化能力很差。因此，可推广的Re-ID最近引起了越来越多的关注。许多现有的方法都采用了实例规范化技术来减少风格变化，但无法避免的歧视性信息的损失。在本文中，我们提出了一种新的通用的Re-ID框架，命名为Meta批量实例规范化（MetaBIN）。我们的主要思想是通过在元学习管道中预先模拟不成功的泛化场景来泛化归一化层。为此，我们将可学习的批量实例规范化层与元学习相结合，并研究了由批量和实例规范化层引起的挑战性情况。此外，我们通过我们的元训练损失以及循环内部更新方式来多样化虚拟仿真，以提高泛化能力。毕竟，MetaBIN框架可以防止我们的模型过度拟合给定的源样式，并提高对未知领域的泛化能力，而无需额外的数据增强或复杂的网络设计。大量的实验结果表明，该模型在大规模领域泛化Re-ID基准测试和跨领域Re-ID问题上的性能优于现有方法.源代码可在https://github.com/bismex/MetaBIN上获得。
2021-03-29 cs.CV
Surpassing Real-World Source Training Data: Random 3D Characters for Generalizable Person Re-Identification
Inception Institute of Artificial Intelligence (IIAI)（起源人工智能研究院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
近年来，人员重新识别取得了重大进展。然而，学习模型推广到未知目标领域的能力仍然有限。其中一个可能的原因是缺乏大规模和多样化的源训练数据，因为手动标记这样的数据集非常昂贵且隐私敏感。为了解决这个问题，我们建议自动合成一个大规模的人重新识别数据集的设置类似于真实的监控，但与虚拟环境，然后使用合成的人的图像训练一个可推广的人重新识别模型。具体来说，我们设计了一种方法来生成大量的随机UV纹理图，并使用它们来创建不同的3D服装模型。然后，开发了一个自动代码来随机生成具有不同服装，种族和属性的各种不同的3D角色。接下来，我们使用Unity3D模拟了许多不同的虚拟环境，使用类似于真实监控系统的自定义摄像头网络，并同时导入多个3D角色，通过摄像头网络沿着不同路径进行各种移动和交互。因此，我们获得了一个名为RandPerson的虚拟数据集，其中包含8，000个身份的1，801，816张个人图像。通过在这些合成的人物图像上训练人物重新识别模型，我们首次证明，在虚拟数据上训练的模型可以很好地推广到看不见的目标图像，超过了在各种真实世界数据集上训练的模型，包括CUHK 03，Market-1501，DukeMTMC-reID和几乎MSMT 17。RandPerson数据集可在https://github.com/VideoObjectSearch/RandPerson上获得。
2020-08-14 cs.CV
Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification
虽然现有的人的再识别（Re-ID）方法已经显示出令人印象深刻的准确性，他们中的大多数通常遭受不好的泛化上看不见的目标域。因此，可泛化的人Re-ID最近引起了越来越多的关注，它在源域上训练模型，该模型在没有模型更新的情况下很好地泛化了看不见的目标域。在这项工作中，我们提出了一种新的自适应特定领域的规范化方法（AdsNorm）的可推广的人的Re-ID。它描述了未知的目标域作为一个组合的已知源的，并明确学习特定领域的目标分布表示，以提高模型的泛化通过元学习管道。具体来说，AdsNorm利用批量归一化层来收集源领域的特征，并利用这些特征将源领域映射到共享的潜在空间中，通过不同领域的归一化统计量和特征的距离函数来度量领域相关性。在测试阶段，AdsNorm将来自未知目标域的图像投影到同一个潜在空间中，并通过域相关性自适应地整合携带源分布的域特定特征，以学习未知目标域上更具有泛化能力的聚合表示。针对训练过程中目标域不可用的问题，提出了一种结合自定义关联损失的Meta学习算法，以优化有效的集成模型。大量的实验表明，AdsNorm优于国家的最先进的方法。该代码可从以下网址获取：https://github.com/hzphzp/AdsNorm。
2021-05-11 cs.CV
TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification
针对领域泛化行人重识别问题，提出双流自适应学习框架TAL，通过领域特定流与领域不变流自适应协作建模两类特征，在单源和多源任务上均优于现有最优方法。
2021-11-29 cs.CV
Cloning Outfits from Real-World Images to 3D Characters for Generalizable Person Re-Identification
Inception Institute of Artificial Intelligence (IIAI)（Inception人工智能研究院（IIAI））；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
最近，大规模的合成数据集被证明是非常有用的泛化的人重新识别。然而，在现有的数据集中，合成的人大多是卡通和随机的服装搭配，这限制了他们的表现。为了解决这个问题，在这项工作中，提出了一种自动的方法，直接克隆整个服装从现实世界的人的图像到虚拟的3D人物，这样，任何虚拟的人，从而创建将出现非常相似的现实世界的对应。具体地说，基于UV纹理映射，设计了两种克隆方法，即注册衣服映射和同质布料扩展。给定在人物图像上检测到并在具有清晰衣服结构的常规UV贴图上标记的衣服关键点，配准映射应用透视单应性以将真实世界的衣服扭曲到UV贴图上的对应物。对于不可见的衣服部分和不规则的UV贴图，均匀扩展将衣服上的均匀区域分割为真实的布料图案或单元，并扩展单元以填充UV贴图。此外，提出了一种相似性-多样性扩展策略，通过对人物图像进行聚类，每类采样图像，并克隆服装来生成3D人物。通过这种方式，虚拟人可以在视觉相似性方面密集地扩大以挑战模型学习，并在种群中分散以丰富样本分布。最后，通过在Unity3D场景中渲染克隆的角色，创建了一个名为ClonedPerson的更逼真的虚拟数据集，其中包含5，621个身份和887，766个图像。实验结果表明，在ClonedPerson上训练的模型具有更好的泛化性能，优于在其他流行的真实世界和合成人物重新识别数据集上训练的模型。ClonedPerson项目可在https://github.…
2022-04-07 cs.CV
Generalizable Person Re-identification with Relevance-aware Mixture of Experts
Peking University（北京大学）；Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）；Peng Cheng Laboratory（鹏城实验室）
领域可推广（DG）人员重新识别（ReID）是一个具有挑战性的问题，因为我们在训练过程中无法访问任何看不见的目标领域数据。几乎所有现有的DG ReID方法都遵循相同的管道，它们使用来自多个源域的混合数据集进行训练，然后将训练好的模型直接应用于看不见的目标域进行测试。这些方法往往忽略了单个源域的判别特征及其与相关度的关系。看不见的目标域，尽管这两者都可以用来帮助模型的泛化。为了解决上述两个问题，我们提出了一种新的方法称为相关性感知的混合专家模型（RaMoE），使用一个有效的基于投票的混合机制，动态地利用源域的不同特性，以提高模型的泛化。具体来说，我们提出了一个去相关损失，使源域网络（专家）保持个别领域的特征的多样性和可辨别性。此外，我们设计了一个投票网络，自适应地将所有专家的特征整合成具有领域相关性的更具泛化性的聚合特征。考虑到目标领域在训练过程中的不可见性，我们提出了一种新的学习到学习算法，结合我们的关系对齐损失更新投票网络。大量的实验表明，我们提出的RaMoE优于国家的最先进的方法。
2021-05-19 cs.CV
A Novel Mix-normalization Method for Generalizable Multi-source Person Re-identification
Southeast University（东南大学）；University of Wollongong（伍伦贡大学）；Nanjing University（南京大学）
人员重新识别（Re-ID）在监督场景中取得了巨大的成功。然而，由于模型对可见源域的过拟合，很难将监督模型直接转移到任意的不可见域。在本文中，我们的目标是解决可推广的多源人Re-ID任务（即，存在多个可用的源域，并且测试域在训练过程中不可见），因此我们从数据增强的角度提出了一种新的方法，称为MixNorm，该方法由域感知混合归一化（DMN）和域中心正则化（DCR）组成。与传统的数据增强不同，本文从神经网络的归一化角度出发，提出了一种基于领域感知的混合归一化方法，以增强训练过程中特征的多样性，有效缓解模型对源域的过拟合，从而提高模型在未知域的泛化能力。为了更好地学习域不变模型，我们进一步开发了域感知中心正则化，以更好地将产生的不同特征映射到同一空间中。在多个基准数据集上的实验验证了所提方法的有效性，并表明所提方法的性能优于现有方法。此外，进一步的分析也显示了所提出的方法的优越性。
2022-06-12 cs.CV
Dual Distribution Alignment Network for Generalizable Person Re-Identification
Xiamen University（厦门大学）；SUSTech（南方科技大学）；Huawei Cloud & AI（华为云与人工智能）
领域泛化（DG）是一种很有前途的解决方案，可以处理人的再识别（Re-ID）问题，它只使用源领域的标签训练模型，然后直接将训练好的模型应用到目标领域，而不需要模型更新。然而，现有的DG方法通常受到严重的域变化，由于显着的数据集的变化。随后，DG高度依赖于设计域不变特征，然而这并没有得到很好的利用，因为大多数现有方法直接混合多个数据集来训练基于DG的模型，而不考虑局部数据集的相似性，即，非常相似但来自不同领域的例子。在本文中，我们提出了一个双分布对齐网络（DDAN），它通过选择性地对齐多个源域的分布将图像映射到域不变的特征空间来应对这一挑战。这种对齐是通过双层约束进行的，即，领域对抗性特征学习和身份相似性增强。我们评估我们的DDAN上的大规模领域泛化Re-ID（DG Re-ID）基准。定量结果表明，所提出的DDAN可以很好地对齐不同的源域的分布，并显着优于所有现有的领域泛化方法。
2020-07-27 cs.CV cs.IR cs.LG
Calibrated Domain-Invariant Learning for Highly Generalizable Large Scale Re-Identification
Texas A&M University（德州农工大学）；Walmart Technology（沃尔玛科技）；Wormpex AI Research（Wormpex人工智能研究院）
许多实际应用，如城市规模的交通监测和控制，需要大规模的重新识别。然而，先前的ReID方法通常未能解决现有ReID基准中的两个限制，即，时空覆盖率低和样本不平衡。尽管它们在每一个基准中都取得了成功，但它们很难推广到看不见的环境。因此，这些方法在大规模环境中由于泛化能力差而不太适用。为了寻求一种高度可推广的大规模ReID方法，我们提出了一种对抗性域不变特征学习框架（ADIN），该框架明确学习将身份相关特征与具有挑战性的变化分开，其中第一次使用了ReID数据中的“免费”注释，如视频时间戳和相机索引。此外，我们发现滋扰类的不平衡危及对抗训练，为了缓解，我们提出了一个校准的对抗损失，注意滋扰分布。在现有的大规模人车ReID数据集上的实验表明，ADIN学习到了更鲁棒和更可泛化的表示，其出色的跨数据集直接传输性能证明了这一点，这是一个可以更好地衡量大规模ReID方法泛化能力的标准。
2019-11-27 cs.CV
Debiased Batch Normalization via Gaussian Process for Generalizable Person Re-Identification
University of Science and Technology of China（中国科学技术大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
泛化的人重新识别旨在学习一个模型，只有几个标记的源域，可以在看不见的领域表现良好。在不访问未知域的情况下，从有限数量的源域学习的批量归一化（BN）层的特征统计对于未知域是双重偏置的。这将误导特征表示学习，使其不能用于未知领域，从而降低模型的泛化能力。在本文中，我们提出了一种新的去偏批量归一化通过高斯过程的方法（GDNorm）的可推广的人的重新识别，模型的特征统计估计BN层作为一个动态的自精炼高斯过程，以减轻偏见看不见的领域，以提高泛化。具体来说，我们建立了一个轻量级的模型与多套特定领域的BN层捕捉个别源域的可辨别性，并学习相应的参数特定领域的BN层。这些参数的不同的源域推导高斯过程。我们从这个高斯过程中随机抽取几条路径作为现有源域之外的潜在新域的BN估计，这可以进一步优化这些从源域学习的参数，并通过它们来估计更准确的高斯过程，趋向于真实的数据分布。即使没有大量的源域，GDNorm仍然可以通过使用高斯过程的平均路径来提供去偏BN估计，同时在测试期间保持低计算成本。大量的实验表明，我们的GDNorm有效地提高了模型在未知领域的泛化能力。
2022-03-16 cs.CV
Interpretable and Generalizable Person Re-Identification with Query-Adaptive Convolution and Temporal Lifting
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Inception Institute of Artificial Intelligence (IIAI)（启程人工智能研究院）
对于人的重新识别，现有的深度网络通常专注于表示学习。然而，在没有迁移学习的情况下，所学习的模型是固定的，这不适于处理各种看不见的场景。在本文中，除了表示学习之外，我们考虑如何在深度特征映射中直接制定人物图像匹配。我们将图像匹配视为在特征映射中寻找局部对应，并动态构造查询自适应卷积核来实现局部匹配。以这种方式，匹配过程和结果是可解释的，并且这种显式匹配比表示特征更可推广到看不见的场景，例如未知的未对准、姿势或视点变化。为了方便这种架构的端到端训练，我们进一步构建了一个类内存模块来缓存每个类的最新样本的特征图，以便计算度量学习的图像匹配损失。通过直接的跨数据集评估，所提出的查询自适应卷积（QAConv）方法获得了比流行的学习方法（约10%+ mAP）的大幅度改进，并取得了与许多迁移学习方法相当的结果。此外，本文还提出了一种无模型的基于时间共现的分数加权方法TLift，进一步提高了算法的性能，在跨数据集的人物再识别中取得了较好的效果。代码可在https://github.com/ShengcaiLiao/QAConv上获得。
2020-07-20 cs.CV
Calibrated Feature Decomposition for Generalizable Person Re-Identification
University of Science and Technology of China（中国科学技术大学）
现有的基于解纠缠的可推广的人重新识别方法旨在直接将人表示分解为领域相关干扰和身份相关特征。然而，他们忽略了一些关键的特征是顽固地隐藏在域相关的干扰和身份相关的功能，这是难以分解的无监督的方式。在本文中，我们提出了一个简单而有效的校准特征分解（CFD）模块，重点是通过更明智的特征分解和强化策略，提高人的重新识别的泛化能力。具体而言，校准和标准化的批量归一化（CSBN）的目的是学习校准的人表示，通过共同探索多源域特征的域内校准和域间标准化。CSBN限制每个域的特征分布的实例级不一致性，并捕获固有的域级特定统计信息。校准的人表示被巧妙地分解为身份相关特征，域特征和剩余的纠缠特征。为了提高泛化能力，保证身份相关特征的高区分度，引入校正实例归一化（CIN）来增强身份相关信息的区分性，滤除身份无关信息，同时利用剩余纠缠特征中丰富的互补线索来增强身份相关特征的区分性，实验结果表明该框架具有较强的泛化能力.我们的模型由CFD模块授权，在多个广泛使用的基准测试中显著优于最先进的领域泛化方法。代码将公开：https://github.com/zkcys001/CFD。
2021-11-27 cs.CV cs.MM
Style Variable and Irrelevant Learning for Generalizable Person Re-identification
MEGVII Technology（旷视科技）
近年来，由于有监督的人再识别（ReID）对未知领域的识别效果不佳，领域泛化（DG）人ReID引起了人们的广泛关注。DG人ReID旨在学习领域不敏感的模型，并能抵抗领域偏差的影响。本文首先通过实验验证了风格因素是领域偏向的重要组成部分。在此基础上，提出了一种风格变量和无关学习（SVIL）方法来消除风格因素对模型的影响。具体来说，我们在SVIL中设计了一个风格抖动模块（SJM）。SJM模块可以丰富特定源域的风格多样性，减少各源域的风格差异。这导致模型专注于身份相关信息，对风格变化不敏感。此外，我们将SJM模块与Meta学习算法有机结合，最大化了模型的效益，进一步提高了模型的泛化能力。请注意，我们的圣犹达模块是即插即用和无成本推理。大量的实验证实了我们的SVIL的有效性，我们的方法在DG-ReID基准测试中的性能大大优于最先进的方法。
2022-09-12 cs.CV
Domain-Class Correlation Decomposition for Generalizable Person Re-Identification
University of Science and Technology of China（中国科学技术大学）
领域泛化是一个非常重要的有意义的和实际的任务，在其中，一个模型训练的数据从几个源领域，希望推广到未知的目标领域。领域对抗性学习是一种很有前途的领域泛化方法，旨在通过对抗性训练去除潜在表示中的领域信息。然而，在人的重新识别中，域和类是相关的，我们理论上表明，由于这种域-类相关性，域对抗学习会丢失某些关于类的信息。受因果推理的启发，我们提出对领域因子$d$进行干预，旨在分解领域类相关性。为了实现这一目标，我们建议通过一阶和二阶统计特征匹配来估计由干预引起的结果表示$z^{*}$。具体来说，我们建立一个存储体来恢复每个域的统计特性。然后，我们使用新生成的样本$\{z^{*},y,d^{*}\}$来计算损失函数。这些样本是域类相关分解的;因此，我们可以学习一个域不变的表示，可以捕获更多的类相关特征。大量的实验表明，我们的模型优于国家的最先进的方法上的大规模领域泛化Re-ID基准。
2021-06-29 cs.CV
Generalizable Person Re-identification via Balancing Alignment and Uniformity
KAIST（韩国科学技术院）
针对DG re-ID中数据增强导致的分布外性能下降问题，提出BAU框架，通过对齐与均匀性损失及加权策略平衡两者，有效利用数据增强并实现SOTA性能。
2024-11-18 cs.CV
Deep Multimodal Fusion for Generalizable Person Re-identification
Shanghai Jiao Tong University（上海交通大学）
由于其在公共安全和视频监控中的各种应用，人员重新识别在现实场景中发挥着重要作用。近年来，利用监督或半无监督学习范式，得益于大规模数据集和强大的计算性能，在特定目标领域取得了有竞争力的性能。然而，当Re-ID模型直接部署在一个新的领域没有目标样本，他们总是遭受相当大的性能下降和穷人的领域泛化。为了应对这一挑战，我们提出了一个深度多模态融合网络，以阐述丰富的语义知识，用于在预训练期间辅助表示学习。重要的是，引入了一种多模态融合策略，将不同模态的特征转换到公共空间，从而显著提高了Re-ID模型的泛化能力。至于微调阶段，采用真实数据集来微调预训练模型，以更好地与真实世界数据进行分布对齐。在基准测试上的综合实验表明，我们的方法可以显着优于以前的领域泛化或元学习方法，具有明显的优势。我们的源代码也将在https://github.com/JeremyXSC/DMF上公开。
2022-12-29 cs.CV
Generalizable Multi-Camera 3D Pedestrian Detection
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Universidade Federal Rural de Pernambuco（伯南布哥农村联邦大学）
我们提出了一种多摄像机三维行人检测方法，不需要训练使用的数据从目标场景。我们估计行人在地平面上的位置使用一种新的启发式的基础上，人体姿势和人的边界框从现成的单目检测器。然后，我们将这些位置投影到世界地平面上，并将它们与集团覆盖问题的新公式相融合。我们还提出了一个可选的步骤，利用融合过程中的行人外观，通过使用域概括的人重新识别模型。我们在具有挑战性的WILDTRACK数据集上评估了所提出的方法。它的MODA为0.569，F评分为0.78，优于最先进的通用检测技术。
2021-04-12 cs.CV
Identity-Conditioned Score Fusion for Open-Set Person Re-Identification
Amazon（亚马逊）；University of California, Riverside（加州大学河滨分校）
提出身份条件化分数融合框架，无需训练即可为每个库身份定制权重，通过对比身份内一致性与跨身份冒充者提取身份画像，在三个换衣行人重识别基准上优于基线，误非识别率最高降低8.8%。
2026-10-07 cs.CV cs.LG
TransMatcher: Deep Image Matching Through Transformers for Generalizable Person Re-identification
Inception Institute of Artificial Intelligence（起源人工智能研究院）
Transformers最近在计算机视觉中获得了越来越多的关注。然而，现有的研究大多使用Transformers进行特征表示学习，例如用于图像分类和密集预测，并且Transformers的泛化能力是未知的。在这项工作中，我们进一步研究了应用Transformers进行图像匹配和度量学习的可能性。我们发现，视觉Transformer（ViT）和香草Transformer与解码器是不够的图像匹配，由于他们缺乏图像到图像的关注。因此，我们进一步设计了两个简单的解决方案，即ViT中的查询-图库连接，以及香草Transformer中的查询-图库交叉关注。后者提高了性能，但仍然有限。这意味着Transformers中的注意力机制主要是为全局特征聚合而设计的，这并不自然地适合于图像匹配。因此，我们提出了一种新的简化解码器，它放弃了softmax加权的全注意力实现，只保留查询键相似度计算。此外，全局最大池和多层感知器（MLP）头被应用于解码的匹配结果。这样，简化的解码器在计算上更有效，同时对于图像匹配更有效。所提出的方法称为TransMatcher，在可推广的人员重新识别方面实现了最先进的性能，在几个流行的数据集上，Rank-1和mAP的性能分别提高了6.1%和5.7%。代码可在https://github.com/ShengcaiLiao/QAConv上获得。
2021-12-07 cs.CV
Label Distribution Learning for Generalizable Multi-source Person Re-identification
Southeast University（东南大学）；Nanjing University（南京大学）
人物再识别是视频监控系统中的一项关键技术，在监控场景中取得了显著的成功。然而，由于可用的源域和不可见的目标域之间的域间隙，很难将监督模型直接应用于任意的不可见域。在本文中，我们提出了一种新的标签分布学习（LDL）方法来解决可推广的多源人Re-ID任务（即，存在多个可用的源域，并且测试域在训练期间不可见），其目的在于探索不同类之间的关系，并且减轻跨不同域的域移位，以便同时提高模型的区分度和学习域不变特征。具体来说，在训练过程中，通过在线的方式产生标签分布，挖掘不同类别之间的关联信息，从而有利于区分特征的提取。此外，针对每个类别的标签分布，我们进一步修正，使其对不属于类别的其他领域给予更多、同等的关注，从而有效地减少不同领域之间的领域差距，获得领域不变特征。此外，我们还给出了理论分析，证明所提出的方法可以有效地处理域转移问题。在多个基准数据集上的实验验证了所提方法的有效性，并表明所提方法的性能优于现有方法。此外，进一步的分析也显示了所提出的方法的优越性。
2022-08-25 cs.CV
Mimic Embedding via Adaptive Aggregation: Learning Generalizable Person Re-identification
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Longfor Inc.（龙湖集团）
领域可推广（DG）人员再识别（ReID）旨在在训练时不访问目标领域数据的情况下跨未知领域进行测试，这是一个现实但具有挑战性的问题。与假设不同领域具有相同模型的方法相比，混合专家模型（MoE）利用多个特定领域的网络来利用领域之间的互补信息，获得了令人印象深刻的结果。然而，现有的基于MoE的DG ReID方法随着源域数量的增加而遭受较大的模型大小，并且大多数方法忽略了对域不变特征的利用。针对这两个问题，本文提出了一种基于自适应聚合的伪嵌入方法（Meta）。为了避免模型规模过大，Meta中的专家不为每个源域采用分支网络，而是共享除批量归一化层之外的所有参数。除了多个专家之外，Meta还利用了实例规范化（IN）并将其引入到全局分支中，以跨域追求不变特征。同时，Meta通过归一化统计考虑未知目标样本与源域的相关性，并开发了一个聚合模块来自适应地集成多个专家以模仿未知目标域。受益于拟议的一致性损失和情节训练算法，Meta有望模仿嵌入一个真正看不见的目标域。大量的实验证明，Meta超过国家的最先进的DG人的ReID方法的大幅度。我们的代码可在https://github.com/xbq1994/META上获得。
2022-07-21 cs.AI cs.CV
Multimodal LLM-Empowered Re-Ranking for Generalizable Person Re-Identification
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）
提出利用多模态大语言模型（MLLM）的泛化能力，通过微调MLLM并计算μ-距离来改进推理阶段的重排序，从而提升领域泛化行人重识别的性能。
2026-06-16 cs.CV
Generalizable Person Re-Identification via Viewpoint Alignment and Fusion
Northwestern Polytechnical University（西北工业大学）；Ningbo Institute, Northwestern Polytechnical University（西北工业大学宁波研究院）；Nanyang Technological University（南洋理工大学）；The University of Adelaide（阿德莱德大学）
在目前的人再识别（ReID）方法中，大多数领域泛化工作集中于处理领域之间的风格差异，而在很大程度上忽略了不可预测的摄像机视角变化，这是导致ReID方法泛化能力差的另一个主要因素。为了解决视点的变化，这项工作提出了使用一个三维密集的姿态估计模型和一个纹理映射模块来映射行人图像到规范的视图图像。由于纹理映射模块的不完善性，标准视图图像可能会丢失原始图像中的可区分细节线索，直接用于ReID不可避免地会导致性能不佳。为了解决这个问题，我们建议通过一个基于transformer的模块来融合原始图像和规范视图图像。该设计的关键见解在于，Transformer中的交叉注意力机制可以是将来自原始图像的区别性纹理线索与规范视图图像对齐的理想解决方案，这可以补偿规范视图图像的低质量纹理信息。通过大量的实验，我们表明，我们的方法可以导致优于现有的方法在各种评估设置的性能。
2022-12-05 cs.CV
Domain Adversarial Training for Infrared-colour Person Re-Identification
Imperial College London（伦敦帝国理工学院）
由于在视频监控中的重要作用，人员再识别（re-ID）是计算机视觉中一个非常活跃的研究领域。目前，大多数方法仅解决彩色图像之间的匹配任务。然而，在光线不足的环境中，闭路电视摄像机切换到红外成像，因此开发一个系统，可以正确地执行红外和彩色图像之间的匹配是必要的。在本文中，我们提出了一个部分特征提取网络，以更好地专注于微妙的，独特的签名的人是可见的红外和彩色模态。为了训练模型，我们提出了一个新的领域对抗特征学习框架的变体。通过大量的实验，我们表明，我们的方法优于国家的最先进的方法。
2020-03-09 cs.CV cs.LG
Generalizable Person Re-Identification via Self-Supervised Batch Norm Test-Time Adaption
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Center for Excellence in Brain Science and Intelligence Technology（脑科学与智能技术卓越创新中心）；Chinese Academy of Sciences, Artificial Intelligence Research（中国科学院人工智能研究院）
在本文中，我们研究的推广问题的人重新识别（re-id），其主要的挑战是分布偏移上看不见的域。批量归一化（BN）作为分布正则化的重要工具，在现有方法中得到了广泛的应用。然而，他们忽略了BN严重偏向于训练域，如果直接推广而不进行更新，不可避免地会遭受性能下降。为了解决这个问题，我们提出了批量范数测试时间自适应（BNTA），一种新的re-id框架，适用于自监督的策略，自适应地更新BN参数。具体地说，BNTA在推理之前快速探索未标记目标数据中的领域感知信息，并相应地调整BN归一化的特征分布以适应目标领域。这是通过两个设计的自我监督的辅助任务，即部分定位和部分最近邻匹配，这有助于模型挖掘领域感知信息的结构和身份的身体部位，分别完成。为了证明我们的方法的有效性，我们进行了广泛的实验上的三个re-id数据集，并确认性能优越的国家的最先进的方法。
2022-03-28 cs.CV
Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification
Inception Institute of Artificial Intelligence (IIAI)（起源人工智能研究院）；Terminus Group（特斯联集团）
最近的研究表明，显式深度特征匹配以及大规模和多样化的训练数据可以显着提高人的再识别的泛化能力。然而，在大规模数据上学习深度匹配器的效率尚未得到充分研究。虽然使用分类参数或类记忆的学习是一种流行的方法，但它会产生大量的内存和计算成本。相比之下，小批量中的成对深度度量学习将是更好的选择。然而，最流行的随机采样方法，即众所周知的PK采样器，对于深度度量学习来说，信息量和效率都不高。虽然在线硬示例挖掘在一定程度上提高了学习效率，但随机抽样后的小批量挖掘仍然受到限制。这启发我们在数据采样阶段更早地探索硬示例挖掘的使用。为此，在本文中，我们提出了一种高效的小批量采样方法，称为图采样（GS），用于大规模深度度量学习。其基本思想是在每个时期开始时为所有类构建一个最近邻关系图。然后，每个迷你批次由随机选择的类及其最近的邻近类组成，以便为学习提供信息丰富且具有挑战性的示例。再加上一个适应的竞争基线，我们提高了最先进的可推广的人重新识别显着，由25.1%，在排名1的MSMT 17时，培训RandPerson。此外，当在MSMT 17上训练时，该方法在CUHK 03-NP上的Rank-1中也优于竞争基线6.8%。同时，训练时间也大大缩短，在拥有8,000个身份的RandPerson上训练时，训练时间从25.4小时缩短到2小时。代码可在https://github.com/ShengcaiLiao/QACo…
2022-04-06 cs.CV
Unleashing the Potential of Pre-Trained Diffusion Models for Generalizable Person Re-Identification
College of Information Science and Electronic Engineering, Zhejiang University（信息科学与电子工程学院，浙江大学）
提出DCAC方法，利用预训练扩散模型通过相关性感知条件方案辅助判别性Re-ID模型，注入ID相关性暗知识并反馈提升特征泛化，在DG Re-ID任务上达到最先进性能。
2025-10-17 cs.CV
LVreID: Person Re-Identification with Long Sequence Videos
本文主要建立了一个大规模的长序列视频数据库用于人的再识别。
2018-11-19 cs.CV
Identity-Seeking Self-Supervised Representation Learning for Generalizable Person Re-identification
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京国家信息科学与技术研究中心（BNRist））
提出 ISR 自监督方法，通过最大权二部图匹配和可靠性引导对比损失从无标注视频挖掘身份信息，显著提升行人重识别的跨域泛化性能。
2023-08-17 cs.CV
Beyond Role-Based Surgical Domain Modeling: Generalizable Re-Identification in the Operating Room
Chair for Computer Aided Medical Procedures, Technical University of Munich（计算机辅助医疗程序研究所，慕尼黑技术大学）；UCL Hawkes Institute, Dept. Computer Science, University College London（UCL哈维斯研究所，伦敦大学学院计算机科学系）；Department of General, Visceral, and Transplant Surgery, University Hospital, Ludwig-Maximilians-University（普通外科、 visceral外科及移植外科部门，路德维希-马克西米利安大学医院）
本文提出一种基于三维点云序列编码的可泛化手术人员重识别框架，通过个体运动模式和身体特征实现跨手术、跨环境的长期人员跟踪，在临床数据上准确率达86.19%，迁移场景下较现有方法提升12%，并显著增强无标记人员跟踪性能。
2025-03-20 cs.CV
Multiple Kernel Fisher Discriminant Metric Learning for Person Re-identification
Indian Institute of Technology Bombay（孟买印度理工学院）
人重新识别解决了跨不相交的相机视图匹配行人图像的问题。特征描述子的设计和距离度量学习是身份再识别的两个基本任务。在本文中，我们提出了一个度量学习框架的人重新识别，其中的判别度量空间是使用核Fisher判别分析（KFDA）学习，同时最大化类间方差以及最小化类内方差。我们推导出一个马氏度量诱导KFDA和认为KFDA是有效的应用于度量学习的人重新识别。我们还展示了KFDA在度量学习中的效率如何通过使用两种简单而有效的多核学习方法来进一步提高人员重新识别。我们在三个基准数据集上进行了大量的实验，证明了所提出的方法与最先进的方法相比具有竞争力的性能。
2019-10-09 cs.CV
An Introduction to Person Re-identification with Generative Adversarial Networks
King Khalid University（哈立德国王大学）；Academy of Interactive Entertainment（互动娱乐学院）；Macquarie University（麦考瑞大学）
人物身份识别是计算机视觉领域的一个基础性课题。传统方法在解决复杂背景下的遮挡、姿态变化、特征变化等人体光照问题时存在一定的局限性。深度学习范式为人的再识别研究开辟了新的途径，成为该领域的研究热点。在过去的几年中，生成对抗网络（GANs）在解决这些问题方面吸引了大量的关注。本文综述了基于GAN的身份识别方法，重点介绍了基于不同GAN框架的相关文献，并讨论了它们的优缺点。最后，提出了未来的研究方向，特别是对基于GANs的身份重识别方法进行了展望。
2019-04-17 cs.CV
Generalizable Re-Identification from Videos with Cycle Association
Tsinghua University（清华大学）；Australian National University（澳大利亚国立大学）；Shanghai AI Lab（上海人工智能实验室）；Baidu Research（百度研究院）
在本文中，我们有兴趣学习一个可推广的人重新识别（重新ID）表示从未标记的视频。与1）流行的无监督re-ID设置（其中训练集和测试集通常在同一域下）和2）流行的领域泛化（DG）re-ID设置（其中训练样本被标记）相比，我们的新场景结合了它们的关键挑战：训练样本未被标记，并且从与测试域不对齐的各个域中收集。换句话说，我们的目标是以无监督的方式学习表示，并直接将学习到的表示用于新领域的re-ID。为了实现这一目标，我们做了两个主要的贡献：首先，我们提出了循环关联（CycAs），一个可扩展的自监督学习方法的re-ID与低训练复杂度;第二，我们构建了一个大规模的未标记的re-ID数据集命名为LMP-video，为所提出的方法量身定制。具体而言，CycAs通过强制时间上连续的视频帧对之间的实例关联的周期一致性来学习re-ID特征，并且训练成本仅与数据大小成线性关系，使得大规模训练成为可能。另一方面，LMP视频数据集非常大，包含从超过10 K的Youtube视频中裁剪出来的5000万个未标记的人物图像，因此足以作为自监督学习的肥沃土壤。在LMP视频上训练，我们表明CycAs学习了对新领域的良好推广。所获得的结果有时甚至优于监督域泛化模型。值得注意的是，CycAs在Market-1501上实现了82.2%的Rank-1，在MSMT 17上实现了49.0%的Rank-1，其中零人为注释，超过了最先进…
2022-11-08 cs.CV
Modeling Thousands of Human Annotators for Generalizable Text-to-Image Person Re-identification
South China University of Technology（华南理工大学）；Pazhou Lab（琶洲实验室）
针对 MLLM 自动生成行人描述风格单一的问题，提出 HAM 通过风格聚类、提示学习和特征空间均匀采样模拟数千名标注者，并构建大规模数据库以提升文本到图像 ReID 泛化能力。
2025-03-13 cs.CV
Open-set Person Re-identification
Center for Biometrics and Security Research（生物识别与安全研究中心）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
人的再识别是机器学习算法和视频监控应用的研究热点。人物重新识别的任务是确定图库中的哪个人与探针图像具有相同的身份。这个任务基本上假设探测图像的主体属于图库，也就是说，图库包含这个人。然而，在实际应用中，例如在视频中搜索嫌疑人，这种假设通常不成立。在本文中，我们考虑的开放集的人重新识别问题，其中包括两个子任务，检测和识别。检测子任务是确定图库中是否存在探测对象，识别子任务是确定图库中的哪个人与接受的探测对象具有相同的身份。我们提出了一个数据库，收集从视频监控设置的6个摄像头，200人和7,413图像分割。基于此数据库，我们开发了一个基准协议下的开放集的人重新识别的情况下的性能进行评估。几个流行的度量学习算法的人重新识别已被评估为基线。从基线性能，我们观察到，开放集的人的重新识别问题仍然在很大程度上没有得到解决，因此需要进一步的关注和努力。
2014-10-15 cs.CV
PaMM: Pose-aware Multi-shot Matching for Improving Person Re-identification
School of Information and Communications, Gwangju Institute of Science and Technology（光州科学技术院信息与通信学院）；Computer Vision Laboratory, GIST（计算机视觉实验室）
本文提出姿态感知多镜头匹配框架PaMM，通过分析摄像机视角和人体姿态来稳健估计姿态并进行高效匹配，在公开数据集上优于现有方法，有效应对视角和姿态变化带来的行人重识别挑战。
2017-05-17 cs.CV
Generalizable Metric Network for Cross-domain Person Re-identification
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（教育部新一代人工智能技术及其交叉应用重点实验室（东南大学））；State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
本文针对跨域行人重识别中的域偏移问题，提出可泛化度量网络GMN，通过在样本对空间学习相似性并结合Dropout扰动与成对身份中心损失，提升模型在未知域上的泛化与判别能力。
2024-04-29 cs.CV
Multi-Level Attention for Unsupervised Person Re-Identification
China University of Mining and Technology（中国矿业大学）
注意力机制由于在神经网络中表现出色而不需要引入额外信息，因此被广泛应用于深度学习。然而，在无监督的人物再识别中，以多头自我注意为代表的注意模块在非基础事实的情况下会受到注意扩散的影响。为了解决这个问题，我们设计了像素级注意力模块，为多头自注意提供约束。同时，针对人物重识别数据的识别目标均为样本中的行人的特点，设计了领域级注意力模块，提供更全面的行人特征。我们结合头部级，像素级和领域级的注意力，提出了多层次的注意力块，并验证其性能上的大型人员重新识别数据集（市场-1501，DukeMTMC-reID和MSMT 17和PersonX）。
2022-01-10 cs.CV
iQIYI-VID: A Large Dataset for Multi-modal Person Identification
iQIYI, Inc.（爱奇艺公司）
由于野外环境中人的姿态、面部特征、衣着、化妆等变化很大，传统的人脸识别、人的再识别、说话人识别等研究往往集中在单一的信息模式上，不足以处理实际应用中的所有情况。多模态身份识别是一种综合利用人脸、头部、身体、音频等特征进行身份识别的方法，本文介绍了最大的多模态身份识别视频数据集iQIYI-VID。它由5，000位名人的600 K视频剪辑组成。这些视频剪辑是从40万小时的各种类型的在线视频中提取的，从电影，综艺节目，电视剧到新闻广播。所有的视频片段都经过精心的人工标注过程，标注的出错率低于0.2%。我们在iQIYI-VID数据集上评估了最先进的人脸识别、人员重新识别和说话人识别模型。实验结果表明，这些模型仍然是远远不够完美的任务，在野外的人识别。我们提出了一个多模态注意力模块来融合多模态特征，可以大大提高人的识别。我们已经在线发布了数据集，以促进多模态身份识别研究。
2019-04-22 cs.CV
FMT:Fusing Multi-task Convolutional Neural Network for Person Search
Anhui University（安徽大学）
人物搜索是指在没有任何建议和边界框的情况下，从图像中检测出所有的人物，并从检测出的人物中识别出查询人物，这不同于人物重新识别。在本文中，我们提出了一个融合多任务卷积神经网络（FMT-CNN），以解决与单个卷积神经网络的检测和重新识别的相关性和异质性。我们专注于人的检测和人的重新识别的相互作用如何影响整体性能。我们在区域建议网络中使用人标签来产生用于人重新识别和人检测网络的特征，这可以同时提高检测和重新识别的准确性。我们还使用多重丢失来训练我们的重新识别网络。在中大-中山大学Person Search数据集上的实验结果表明，该方法在mAP和top-1两个方面都优于现有的方法。
2020-03-01 cs.CV
Sequence-Based Identification of First-Person Camera Wearers in Third-Person Views
Indiana University Bloomington（印第安纳大学布卢明顿分校）；ByteDance（字节跳动）
针对多相机佩戴者交互研究不足的问题，提出同步视角数据集TF2025，并引入结合运动线索与行人重识别的序列方法，实现第三人称视频中第一人称佩戴者识别。
2025-05-31 cs.CV
Towards Privacy-Preserving Person Re-identification via Person Identify Shift
近年来，行人身份识别（ReID）中的隐私问题越来越受到人们的关注，如何保护ReID中行人图像的隐私变得至关重要。去身份化（DeID）方法通过去除ReID数据的身份相关来减轻隐私问题。然而，大多数现有的DeID方法往往会删除所有与个人身份相关的信息，并损害ReID任务中去识别数据的可用性。在本文中，我们的目标是开发一种技术，可以实现一个很好的折衷之间的隐私保护和数据的可用性的人ReID。为了实现这一点，我们提出了一种新的去识别方法，明确设计的人ReID，命名为人识别转移（PIS）。PIS在保持图像对之间身份关系的同时，去除了行人图像中的绝对身份。通过利用变分自动编码器的插值特性，PIS将每个行人图像从当前身份转移到另一个具有新身份的身份，从而使图像仍然保持相对身份。实验结果表明，与现有的去身份方法相比，该方法在隐私保护和模型性能之间具有更好的权衡，能够抵御人类和模型对数据隐私的攻击。
2022-07-15 cs.CV
Joint Person Re-identification and Camera Network Topology Inference in Multiple Cameras
Gwangju Institute of Science and Technology（光州科学技术院）；Intel Visual Computing Institute（英特尔视觉计算研究所）；Saarland Informatics Campus（萨尔兰信息学园区）；ASRI（高级软件与机器人研究所）；Seoul National University（首尔大学）
本文提出一个统一框架，在最少先验知识下联合解决多摄像头网络中的行人重识别与摄像头网络拓扑推断问题，并发布带完整标注的SLP数据集，实验验证了其在两项任务上的有效性。
2017-10-03 cs.CV
SCPNet: Spatial-Channel Parallelism Network for Joint Holistic and Partial Person Re-Identification
Zhejiang University（浙江大学）；Megvii Inc. (Face++)（旷视科技（Face++））
在过去的几年里，整体人再识别（ReID）得到了广泛的研究，并取得了令人瞩目的进展。然而，在实际场景中，人经常被障碍物或其他人遮挡，这使得部分人重新识别不是微不足道的。在本文中，我们提出了一个空间通道并行网络（SCPNet），其中ReID特征中的每个通道都关注身体的给定空间部分。空间-通道对应关系监督网络学习用于整体和部分人重新识别的区分特征。在四个整体ReID数据集上训练的单个模型在这四个数据集上实现了具有竞争力的准确性，并且在两个未训练的部分ReID数据集上优于最先进的方法。
2018-10-16 cs.CV
Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification
Xiamen University（厦门大学）；Wuhan University（武汉大学）
本文提出两阶段多专家知识对抗与协作方法MiKeCoCo，利用CLIP高层语义和STREAM模块消除域冗余，获取多样化提示集并融合互补特征，在可泛化车辆重识别中取得最先进性能。
2025-02-04 cs.CV
Learning Person Re-identification Models from Videos with Weak Supervision
Hunan University（湖南大学）；University of California, Riverside（加州大学河滨分校）
针对行人重识别标注成本高的问题，提出基于视频级弱监督标签的多实例注意力学习框架，利用共同行人注意力机制挖掘视频间相似性关联，在弱标注数据集上表现优异。
2020-07-21 cs.CV
Style Interleaved Learning for Generalizable Person Re-identification
South China University of Technology（华南理工大学）；Pazhou Lab（琶洲实验室）；The Hong Kong Polytechnic University（香港理工大学）；The University of Melbourne（墨尔本大学）
针对域泛化行人重识别中模型过拟合源域风格的问题，提出风格交错学习框架及特征风格化方法，通过双前向、单反向更新提升泛化与计算效率。
2023-06-08 cs.CV
How important are faces for person re-identification?
Insight SFI Research Centre for Data Analytics（Insight科学基金会数据 analytics研究中心）；Dublin City University（都柏林城市大学）
本文研究了现有的国家的最先进的人的重新识别模型的存在和可见性的人脸的依赖。我们应用人脸检测和模糊算法来创建几个流行的人重新识别数据集的匿名版本，包括Market 1501，DukeMTMC-reID，CUHK 03，Viper和Airport。使用现有的最先进的模型，范围在准确性和计算效率的横截面，我们使用标准指标评估这种匿名化对重新识别性能的影响。也许令人惊讶的是，对mAP的影响非常小，并且通过简单地训练数据的匿名版本而不是原始数据来恢复准确性。这些发现在多个模型和数据集上是一致的。这些结果表明，数据集可以通过模糊面部来安全地匿名化，而不会显著影响人员重新识别系统的性能，并且可以允许在以前存在隐私或数据保护问题的情况下发布新的更丰富的重新识别数据集。
2020-10-13 cs.AI cs.CV cs.LG
Key Person Aided Re-identification in Partially Ordered Pedestrian Set
Beijing Visytem Co. Ltd.（北京Visytem有限公司）
理想情况下，人的重新识别寻求完美的特征表示和度量模型，重新识别所有不同的行人以及在不同位置的非重叠视图与不同的相机配置，这是非常具有挑战性的。然而，在大多数行人集中，总有一些优秀的人，他们相对容易重新识别。受这种数据划分的存在的启发，我们提出了一种新的关键人辅助的人重新识别框架的基础上重新定义的偏序行人集。通过基于K-近邻的显著性度量，选出最优秀的人物，即“关键人物”。在监控中，行人进入时间定义的偏序将关键人物与查询人物在时间上关联起来，有助于定位可能的候选人。在两个视频数据集上进行的实验表明，所提出的关键人物辅助框架优于现有的方法，并大大提高了匹配精度在所有级别。
2018-05-25 cs.CV
DeepPFCN: Deep Parallel Feature Consensus Network For Person Re-Identification
IIT Gandhinagar（印度理工学院甘地纳加尔分校）
人物重新识别的目的是将同一个人在不同时间的多个非重叠相机视图上的图像相关联。依赖于人类操作员，在大型摄像机网络中手动重新识别非常耗时且错误。由于大规模分布式多摄像机系统的快速膨胀所产生的大量视觉数据，需要自动的人重新识别。最先进的工作集中在学习和因素化的人的外观特征为潜在的歧视因素在多个语义水平。我们提出了深度并行特征共识网络（DeepPFCN），这是一种新型的网络架构，使用卷积神经网络学习多尺度的人的外观特征。该模型将一个人的视觉外观分解为多个语义层次的潜在区分因素。最终达成共识。DeepPFCN学习的特征表示对于人员重新识别任务来说更鲁棒，因为我们学习了区分性的特定尺度特征，并在多尺度图像输入中最大化多尺度特征融合选择。我们进一步利用平均和最大池在单独的规模为个人特定的任务，区分功能的全球和本地。我们在三个基准数据集上展示了所提出的DeepPFCN模型相对于最先进的重新识别方法的重新识别优势：Market1501，DukeMTMCreID和CUHK03。我们在这些基准数据集上分别实现了75.8%，64.3%和52.6%的mAP结果。
2019-11-18 cs.CV
Graph-based Person Signature for Person Re-Identifications
AIOZ；Imperial College London（伦敦帝国理工学院）
人物重新识别（ReID）的任务是在多个不重叠的相机视图上匹配同一个人的图像。由于视觉因素的变化，以前的作品已经研究了人的身份，身体部位和属性如何有利于人的ReID问题。然而，属性之间、身体部位之间以及每个属性内部的相关性没有得到充分利用。本文提出了一种新的方法，将人的详细描述（属性标签）和视觉特征（身体部位和全局特征）有效地聚合到一个图中，即基于图的人签名，并利用图卷积网络学习人的视觉签名的拓扑结构。该图被集成到一个多分支多任务框架中，用于人员重新识别。在Market-1501和DukeMTMC-ReID两个大规模数据集上进行了大量的实验，以证明我们提出的方法的有效性。我们的方法在最先进的方法中取得了有竞争力的结果，并且优于其他基于属性或掩码引导的方法。
2021-04-17 cs.CV
