Wildlife Target Re-Identification Using Self-supervised Learning in Non-Urban Settings
Institute for Intelligent Systems University of Johannesburg（智能系统研究所 乌姆西阿布大学）
本文研究利用相机陷阱时间图像对进行自监督学习的野生动物重识别方法，证明自监督特征在数据有限时更鲁棒，并在所有下游任务中优于监督特征。
2025-07-03 cs.AI cs.CV cs.LG
Self-Supervised Polyp Re-Identification in Colonoscopy
Verily Life Sciences（Verily生命科学公司）
针对结肠镜视频中息肉缺乏跨帧跟踪的问题，提出基于注意力自监督模型的外观再识别方法，实现稳健长期跟踪，并验证其对CADx任务的价值。
2023-06-14 cs.CV cs.LG
Color Variants Identification in Fashion e-commerce via Contrastive Self-Supervised Representation Learning
Myntra
在本文中，我们利用深度视觉表示学习来解决时尚电子商业中的一个重要问题：颜色变体识别，即，识别与其设计（或风格）完全匹配的时尚产品，但只是颜色不同。首先，我们试图通过获得手动注释（描述两个产品是否是颜色变体）来解决这个问题，并训练一个基于监督三重丢失的神经网络模型来学习时尚产品的表示。然而，对于大规模的真实世界的工业数据集，如我们的论文中所述，这是不可行的，以获得整个数据集的注释，同时捕捉所有困难的角落的情况。有趣的是，我们观察到颜色变体本质上是基于颜色抖动的增强的表现。因此，我们转而探索自监督学习（SSL）来解决这个问题。我们观察到，现有的国家的最先进的SSL方法执行差，为我们的问题。为了解决这个问题，我们提出了一种新的SSL基于颜色变量模型，同时侧重于不同的服装部分。定量和定性评估表明，我们的方法优于现有的SSL方法，有时，监督模型。
2021-06-30 cs.CV cs.LG
Decorrelation-based Self-Supervised Visual Representation Learning for Writer Identification
Ramakrishna Mission Vivekananda Educational and Research Institute（罗摩克里希纳使命维韦卡南达教育与研究院）；Indian Institute of Information Technology, Guwahati（古瓦哈蒂印度信息技术学院）；Indian Statistical Institute, Kolkata（加尔各答印度统计研究所）；Indian Institute of Technology, Kharagpur（克勒格布尔印度理工学院）
本文改进面向签名验证的 SWIS 去相关自监督框架，通过逐维特征标准化学习解耦笔画特征，在书写者识别基准上超过现有自监督及多种监督方法。
2024-10-02 cs.CV
The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification
University of Maryland（马里兰大学）
近年来，研究界已经接近的问题，车辆重新识别（re-id）与注意力为基础的模型，特别是专注于区域的车辆包含歧视性的信息。这些re-id方法依赖于昂贵的关键点标签，零件注释和其他属性，包括车辆制造，型号和颜色。考虑到大量具有各种注释级别的车辆re-id数据集，强监督方法无法跨不同领域扩展。在本文中，我们提出了自监督注意车辆重新识别（SAVER），一种新的方法来有效地学习车辆特定的判别特征。通过大量的实验，我们证明SAVER在具有挑战性的VeRi，VehicleID，Vehicle-1 M和VERI-Wild数据集上改进了最先进的技术。
2020-07-17 cs.CV
Exploiting Temporal Coherence for Self-Supervised One-shot Video Re-identification
University of California, Riverside（加州大学河滨分校）
虽然重新识别中的监督技术非常有效，但对大量注释的需求使得它们对于大型摄像机网络来说不切实际。单次重新识别，它使用一个单一的标记轨迹为每个身份以及一个池的未标记的轨迹，是一个潜在的候选人，以减少这种标记的努力。当前的一次性重新识别方法通过对标记数据和未标记数据之间的相互关系进行建模来起作用，但未能充分利用存在于未标记数据本身的池内的这种关系。在本文中，我们提出了一个新的框架，称为时间一致性渐进学习，它使用时间一致性作为一种新的自我监督的辅助任务，在一次学习范式，以捕捉这种关系之间的未标记的tracklet。优化了两个新的损失，这两个损失在局部和全局范围内加强了一致性，我们的框架可以学习更丰富和更具鉴别力的表示。在两个具有挑战性的视频重识别数据集- MARS和DukeMTMC-VideoReID -上的大量实验表明，我们提出的方法能够更准确地估计未标记数据的真实标签，最高可达$8\%$，并且与现有的最先进的技术相比，获得了更好的重识别性能。
2020-07-21 cs.CV
Unique Identification of Macaques for Population Monitoring and Control
IIIT-Delhi（德里英迪拉·甘地信息技术学院）；Wildlife Institute of India（印度野生动物研究所）
尽管由于发展和城市化而失去了自然栖息地，但某些物种，如恒河猴，已经很好地适应了城市环境。由于食物丰富，没有捕食者，猕猴的数量在城市地区大幅增加，导致与人类的冲突频繁发生。人口过多的地区经常看到猕猴袭击庄稼，以鸟蛋和蛇蛋为食，并破坏巢穴，从而对生态系统中的其他物种产生不利影响。为了减轻这些不利影响，绝育已成为一种人道和有效的猕猴种群控制方法。由于绝育需要对个人或群体进行实际捕捉，他们的独特识别是此类控制措施的组成部分。在这项工作中，我们提出了猕猴面部识别（MFID），这是一种基于图像的非侵入性工具，它依赖于猕猴面部识别来识别个体，并可用于验证它们是否被消毒。我们的主要贡献是为恒河猴设计的强大的面部识别和验证模块，但可扩展到其他非人类灵长类动物物种。我们评估的性能MFID上的93只猴子的数据集下的闭集，开集和验证评估协议。最后，我们还报告了评估我们提出的濒危灵长类物种模型时的最新结果。
2018-11-12 cs.CV
Automated Feature-Specific Tree Species Identification from Natural Images using Deep Semi-Supervised Learning
Stellenbosch University（Stellenbosch大学）
植物物种分类的先前工作主要集中在从孤立的植物属性构建模型。因此，有必要的工具，可以帮助在自然界中的物种识别。我们提出了一种新的和强大的双重方法，能够在现实世界的自然环境中识别树木。此外，我们通过深度半监督学习利用未标记的数据，并展示了优于监督学习的性能。我们用于特征识别的单GPU实现使用最少的注释数据，分别对树叶和树皮实现了93.96%和93.11%的准确率。此外，我们提取的50种特定功能的数据集，采用这种技术。最后，我们的半监督物种分类方法达到94.04%的前5名的准确率为树叶和树皮的前5名的准确率为83.04%。
2021-10-08 cs.CV stat.ML
Global-Supervised Contrastive Loss and View-Aware-Based Post-Processing for Vehicle Re-Identification
Qiannan Normal University for Nationalities（黔南民族师范学院）；Guizhou University（贵州大学）；Peng Cheng Laboratory（鹏城实验室）；Guangxi Normal University（广西师范大学）
在本文中，我们提出了一个全局监督对比损失和基于视图感知的后处理（VABPP）方法的车辆重新识别领域。传统的有监督对比损失算法计算的是批内特征间的距离，具有局部性。虽然提出的全局监督对比损失具有新的性质，具有良好的全局属性，但训练过程中每个锚点的正负特征来自整个训练集。本文提出的VABPP方法是第一次将基于视觉感知的方法作为后处理方法应用于车辆再识别领域。VABPP的优点是，首先，它只在测试过程中使用，不影响训练过程。其次，作为一种后处理方法，它可以很容易地集成到其他训练的re-id模型中。将训练好的模型计算出的视对距离缩放系数矩阵直接应用于另一个训练好的re-id模型，VABPP方法大大提高了其性能，验证了VABPP方法的可行性。
2022-04-17 cs.CV
A Self-Supervised Gait Encoding Approach with Locality-Awareness for 3D Skeleton Based Person Re-Identification
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；National University of Defense Technology（国防科技大学）；Lanzhou University（兰州大学）；South China University of Technology（华南理工大学）；Second Clinical Medical College, Jinan University（暨南大学第二临床医学院）；Beijing Institute of Technology（北京理工大学）
基于步态特征的三维骨骼序列身份识别是一个新兴的研究课题。现有的解决方案依赖于手工制作的描述符或监督步态表示学习。本文提出了一种自监督步态编码方法，可以利用未标记的骨架数据来学习步态表示的人Re-ID。具体来说，我们首先通过学习重建未标记的骨架序列来创建自监督，这涉及到更丰富的高层语义，以获得更好的步态表示。其他借口任务也被探索，以进一步提高自监督学习。其次，受运动的连续性赋予一个骨架序列中相邻骨架和时间上连续的骨架序列更高的相关性（在3D骨架数据中称为局部性）这一事实的启发，我们提出了一个局部感知的注意力机制和一个局部感知的对比学习方案，旨在保持局部感知的自监督学习分别在序列内和序列间水平。最后，利用我们的位置感知注意力机制和对比学习方案学习到的上下文向量，设计了一种新的特征--基于收缩注意的步态编码（CAGEs）来有效地表示步态。经验评估表明，我们的方法显着优于基于卷积的同行15-40%的Rank-1的准确性，它甚至实现了优越的性能，许多多模式的方法与额外的RGB或深度信息。我们的代码可在https://github.com/Kali-Hac/Locality-Awareness-SGE上获得。
2021-07-05 cs.CV cs.LG
Identity-Aware Semi-Supervised Learning for Comic Character Re-Identification
针对漫画角色标注少、外观变化复杂的问题，提出融合面部与身体对比学习的身份感知半监督框架，并在两个新数据集上验证其重识别与下游迁移效果。
2023-08-17 cs.AI cs.CV cs.IR
A review of Recent Techniques for Person Re-Identification
本综述聚焦行人重识别，回顾监督技术现状并总结近三年无监督方法进展，指出性能差距缩小，为领域发展提供双重视角洞察。
2025-10-24 cs.CV
Towards Precise Intra-camera Supervised Person Re-identification
Zhejiang University（浙江大学）；Damo Academy, Alibaba Group（阿里巴巴集团达摩院）
用于人员重新识别（Re-ID）的摄像机内监督（ICS）假设身份标签在每个摄像机视图内被独立地注释，并且没有摄像机间身份关联被标记。这是最近提出的一种新的设置，以减少注释的负担，同时期望保持理想的Re-ID性能。然而，缺乏相机间标签使得ICS Re-ID问题比完全监督的问题更具挑战性。通过研究ICS的特点，本文提出了相机特定的非参数分类器，以及一个混合挖掘五元组损失，进行相机内学习。然后，进行由基于图的ID关联步骤和Re-ID模型更新步骤组成的相机间学习模块。在三个大规模的Re-ID数据集上的实验表明，该方法的性能大大优于现有的ICS作品。我们的方法在两个数据集中的表现甚至与最先进的完全监督方法相当。
2020-12-11 cs.CV
Weakly supervised discriminative feature learning with state information for person identification
Sun Yat-sen University（中山大学）
身份鉴别视觉特征的无监督学习在人工标记成本高的现实任务中很有吸引力。然而，当在不同状态（例如，不同相机视图和姿势）下拍摄图像时，身份的图像可能在视觉上不一致。这种视觉差异导致无监督判别学习的巨大困难。幸运的是，在现实世界的任务中，我们通常可以知道没有人类注释的状态，例如，我们可以很容易地在人的重新识别和面部识别中的面部姿势标签的相机视图标签。在这项工作中，我们提出利用状态信息作为弱监督，以解决由不同的状态所造成的视觉差异。我们制定了一个简单的伪标签模型，并利用状态信息，试图通过弱监督决策边界纠正和弱监督特征漂移正则化来细化分配的伪标签。我们评估我们的模型在无监督的人重新识别和姿态不变的人脸识别。尽管我们的方法很简单，但它可以在具有标准ResNet-50主干的Duke-reID，MultiPIE和CFP数据集上获得最先进的结果。我们还发现，我们的模型可以执行与标准的监督微调结果在三个数据集上的重复性。代码可在https://github.com/KovenYu/state-information上获得
2020-02-27 cs.CV
Learning Style Identification Using Semi-Supervised Self-Taught Labeling
本文提出一种基于半监督机器学习与数据挖掘的方法，利用Felder Silverman模型在少量标注数据下识别学生学习风格，并在两门课程中分别取得88.83%和77.35%的准确率，从而支持个性化学习环境构建。
2024-02-04 cs.CV cs.CY cs.LG
Going Deeper into Semi-supervised Person Re-identification
Queensland University of Technology（昆士兰科技大学）；The University of Queensland（昆士兰大学）
人员重新识别是在不同相机视图中识别人员的具有挑战性的任务。为此任务训练卷积神经网络（CNN）需要注释大型数据集，因此，它涉及到跨相机的人的耗时手动匹配。为了减少对标记数据的需求，我们专注于一种半监督方法，该方法只需要标记训练数据的一个子集。我们在有限标签的人员重新识别方面进行了全面调查。在这个领域中的现有工作是有限的，因为它们利用来自多个CNN的特征，并且需要已知未标记数据中的身份数量。为了克服这些限制，我们提出采用来自单个CNN的基于部分的特征，而不需要标签空间的知识（即，身份的数量）。这使得我们的方法更适合于实际场景，并显着减少了对计算资源的需求。我们还提出了一个PartMixUp损失，提高了半监督设置中伪标签的学习部分为基础的功能的判别能力。我们的方法在三个大规模的人re-id数据集上的性能优于最先进的结果，并且仅用三分之一的标记身份实现了与完全监督方法相同的性能水平。
2021-07-24 cs.CV
A Semi-Supervised Maximum Margin Metric Learning Approach for Small Scale Person Re-identification
Indian Institute of Technology Bombay（印度理工学院孟买分校）
在视频监控中，人的重新识别是在非重叠摄像机中搜索人图像的任务。虽然有监督的人的再识别方法已经取得了令人印象深刻的性能，获得大规模的交叉视图标记的训练数据是非常昂贵的。然而，可以获得大量未标记的数据。在本文中，我们提出了一种半监督的度量学习方法，可以利用信息的非标记数据的帮助下，一些标记的训练样本。我们还解决了小样本量的问题，固有的，由于少数标记的训练数据。我们的方法学习一个判别空间，其中类内样本崩溃到奇异点，实现类内方差最小，然后在高维核空间上使用最大边缘标准，最大限度地分离不同的类样本。一个最大的边缘准则与两个层次的高维映射到核空间被用来获得更好的跨视图的鉴别的身份。利用互逆最近邻约束的跨视图亲和学习算法从未标记数据中挖掘新的伪类，并迭代更新距离度量。我们在四个具有挑战性的数据集上实现了最先进的性能，并且具有很大的优势。
2019-10-09 cs.CV
Semantics-Guided Clustering with Deep Progressive Learning for Semi-Supervised Person Re-identification
National Taiwan University（台湾大学）；Carnegie Mellon University（卡内基梅隆大学）
人员重新识别（re-ID）需要在摄像机视图中匹配同一个人的图像。作为一个更具挑战性的任务，半监督重新ID解决的问题，只有一些身份在训练数据是完全标记，而其余的是未标记的。假设这种标记和未标记的训练数据共享不相交的身份标签，我们提出了一种新的语义引导聚类与深度渐进学习（SGC-DPL）框架，以联合利用上述数据。通过提出语义引导的相似性传播（SG-AP），我们能够在标记数据的语义指导下，以渐进的方式为选定的未标记数据分配伪标签。因此，我们的方法能够在半监督设置中增加标记的训练数据。我们对两个大规模的人重新ID基准测试的实验表明，我们的SGC-DPL在不同程度的监督下优于最先进的方法。在扩展中，我们的SGC-DPL的泛化能力也在其他任务中得到了验证，如车辆重新识别或半监督设置的图像检索。
2020-10-02 cs.CV
Re-Identification Supervised Texture Generation
University of Chinese Academy of Sciences（中国科学院大学）；Megvii Technology（旷视科技）；Peking University（北京大学）；Zhejiang University（浙江大学）
近年来，从单幅图像中估计三维人体姿态和形状得到了广泛的研究。然而，纹理生成问题还没有得到充分的讨论。在本文中，我们提出了一个端到端的学习策略，以产生人体的纹理的监督下的人重新识别。我们使用从输入中提取的纹理渲染合成图像，并通过使用重新识别网络作为感知度量来最大化渲染图像和输入图像之间的相似性。行人图像的实验结果表明，我们的模型可以从一个单一的图像生成的纹理，并证明我们的纹理是更高的质量比其他可用的方法生成的。此外，我们将应用范围扩展到其他类别，并探索我们生成的纹理的可能利用。
2019-04-06 cs.CV
Camera-Conditioned Stable Feature Generation for Isolated Camera Supervised Person Re-IDentification
Sun Yat-sen University（中山大学）
为了学习用于人的再识别（Re-ID）的摄像机视角不变特征，每个人的跨摄像机图像对起着重要作用。然而，这种交叉视图训练样本在隔离摄像机监督（ISCS）设置下可能不可用，例如，部署在远处场景的监视系统。为了处理这个具有挑战性的问题，通过在特征空间中合成用于模型训练的跨相机样本来引入新的流水线。具体而言，特征编码器和生成器端到端的优化下的一种新的方法，相机条件稳定的特征生成（CCSFG）。其联合学习过程引起了对生成模型训练稳定性的关注。因此，提出了一种新的特征生成器，$σ$ -正则化条件变分自编码器（$σ$ -Reg.~ CVAE），并对其鲁棒性进行了理论和实验分析。在两个ISCS人Re-ID数据集上的大量实验证明了CCSFG的优越性。
2022-04-04 cs.CV
Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales
University of Freiburg（弗莱堡大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
本文提出SubCo损失函数，通过跨短期和长期时间尺度的一致性约束从连续多帧中自监督学习重识别特征，显著减少自动驾驶多目标跟踪中的ID切换，达到自监督方法最优并与全监督方法相当。
2023-09-21 cs.CV
Weakly Supervised Tracklet Person Re-Identification by Deep Feature-wise Mutual Learning
Sun Yat-sen University（中山大学）；Accuvision Technology Co.,LTD（Accuvision科技有限公司）；Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education（教育部机器智能与先进计算重点实验室）
由于Re-ID（Person Re-identification）数据集的标注困难而导致的可扩展性问题已经成为Re-ID发展的关键瓶颈。为了解决这个问题，最近提出了许多无监督的Re-ID方法。然而，大多数这些模型需要从另一个辅助的完全监督数据集转移，这仍然是昂贵的。在这项工作中，本文提出了一种基于弱监督轨迹（WST）的Re-ID模型，该模型可以通过将同一个人在同一个摄像机视图中的一段时间内的碎片化轨迹进行组合来廉价地获得。我们通过一种新的方法来建立我们的弱监督轨迹Re-ID模型，深度特征互学习（DFML），由特征提取器互学习（MLFE）和特征分类器互学习（MLFC）组成。MLFE通过利用两个特征提取器相互学习来提取更鲁棒和更具鉴别力的特征。另一方面，我们建议MLFC通过适应不同的摄像机视图，每个分类器的区别特征。大量的实验表明，我们提出的DFML优于最先进的无监督模型，甚至一些监督模型在三个Re-ID基准数据集。
2019-10-31 cs.CV
PRSNet: A Masked Self-Supervised Learning Pedestrian Re-Identification Method
Tibet University（西藏大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
近年来，自监督学习引起了学术界的广泛讨论，并解决了计算机视觉的许多关键问题。目前的研究重点是如何构建一个良好的代理任务，允许改进的网络学习图像上的高级语义信息，使模型推理加速在当前任务的预训练。为了解决现有特征提取网络在ImageNet数据集上进行预训练，不能很好地提取行人图像中的细粒度信息，以及现有对比度自监督学习的预任务可能破坏行人图像的原始属性的问题，本文设计了一个面具重建的预任务，以获得一个鲁棒性强的预训练模型，并将其用于行人的再识别。识别任务。通过改进基于质心的三元组损失对网络进行训练优化，并将掩模图像作为附加样本加入到损失计算中，使网络在训练完成后能更好地应对实际应用中的行人匹配。该方法在Marker1501和CUHK03数据上的mAP比现有的自监督学习行人再识别方法提高了约5%，在Rank1上提高了约1%，并进行了消融实验以证明该方法的可行性。我们的型号代码位于https://github.com/ZJieX/prsnet。
2023-03-11 cs.CV
Scalable Person Re-identification on Supervised Smoothed Manifold
Huazhong University of Science and Technology（华中科技大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
大多数现有的人重新识别算法要么提取鲁棒的视觉特征，要么学习个人图像的判别度量。然而，这些图像所在的基本流形很少被研究。这就产生了一个问题，即学习的度量相对于数据流形的局部几何结构是不平滑的。在本文中，我们研究的人重新识别与流形为基础的亲和力学习，这还没有得到足够的重视，从这个领域。提出了一种非传统的流形保持算法，该算法能够充分利用训练数据的监督，训练数据的标签信息以成对约束的形式给出;能够以较低的在线时间复杂度扩展到大型存储库;能够嵌入到大多数现有算法中，作为一种通用的后处理过程，进一步提高识别精度.五个流行的人重新识别基准上的广泛的实验结果一致证明了我们的方法的有效性。特别是在最大的CUHK 03和Market-1501上，我们的方法在效率上大大优于现有的方法，更适合于实际应用。
2017-03-24 cs.CV
Important Object Identification with Semi-Supervised Learning for Autonomous Driving
Honda Research Institute（本田研究院）；Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
场景中重要对象的准确识别是智能代理（例如，自动驾驶车辆）在复杂和动态环境中导航。大多数现有方法试图采用注意力机制来经由各种任务（例如，轨迹预测），其不强制对重要性估计的直接监督。相比之下，我们以明确的方式处理这个任务，并将其表述为二元分类（“重要”或“不重要”）问题。我们提出了一种新的方法，重要的对象识别在以自我为中心的驾驶场景中的对象的关系推理。此外，由于人类的注释是有限的和昂贵的获得，我们提出了一个半监督学习管道，使模型能够学习无限的未标记的数据。此外，我们建议利用自我车辆行为预测的辅助任务，以进一步提高重要性估计的准确性。所提出的方法进行评估的公共自我中心驾驶数据集（H3D）收集在复杂的交通场景。详细的烧蚀研究进行，以证明每个模型组件和培训策略的有效性。我们的方法也大大优于基于规则的基线。
2022-03-05 cs.AI cs.CV cs.LG
Holstein-Friesian Re-Identification using Multiple Cameras and Self-Supervision on a Working Farm
School of Computer Science（计算机科学学院）；Bristol Veterinary School, University of Bristol（布里斯托大学兽医学院）
本研究发布多摄像头采集的荷斯坦牛识别数据集MultiCamCows2024，提出结合监督与自监督的识别框架，实现超96%识别准确率，无需人工标注身份，为畜牧管理等提供高效方案。
2025-06-13 cs.CV
WildMatch: Weakly Supervised Image Matcher Adaptation for Wildlife Re-Identification
Jagiellonian University（雅盖隆大学）；Jagiellonian Center for Artificial Intelligence（雅盖隆人工智能中心）；NASK National Research Institute（NASK国家研究所）
WildMatch提出一种弱监督方法，利用身份标签自适应预训练关键点匹配器，通过对比微调增强同身份对应并抑制异身份，提升野生动物再识别准确率。
2026-10-07 cs.AI cs.CV cs.IR
Semi-Supervised Endmember Identification In Nonlinear Spectral Mixtures Via Semantic Representation
University of Massachusetts（马萨诸塞大学）
本文提出了一种新的高光谱解混方法，非线性混合高光谱数据使用的语义表示在半监督的方式，假设光谱参考库的可用性。现有的半监督解混算法从端元库中选择存在于每个像素处的成员;大多数这样的方法假设线性混合模型。然而，这些方法将失败的非线性混合观测光谱之间的存在。为了解决这个问题，我们开发了一个端元选择方法，使用最近提出的语义光谱表示通过非齐次隐马尔可夫链（NHMC）模型的小波变换的光谱。语义表示可以编码光谱判别功能的任何观察到的光谱，因此，我们提出的方法可以进行端元选择，而无需任何假设的混合模型。实验结果表明，在充分非线性混合的存在下，我们提出的方法优于基于字典的稀疏解混方法的基础上的线性模型。
2017-01-03 cs.CV
Development and Application of Self-Supervised Machine Learning for Smoke Plume and Active Fire Identification from the FIREX-AQ Datasets
Spatial Informatics Group, LLC.（空间信息集团有限公司）；Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院）；University of California at Berkeley（加州大学伯克利分校）；Fowler School of Engineering, Chapman University（查普曼大学福勒工程学院）；Machine Learning and Assistive Technology Lab (MLAT), Chapman University（机器学习与辅助技术实验室（MLAT），查普曼大学）
本研究应用自监督机器学习方法，结合多源遥感数据识别和跟踪FIREX-AQ活动中的活跃火点与烟羽，生成掩膜产品，有望提升野火监测、空气质量决策及气候影响研究。
2025-01-25 cs.AI cs.CV cs.LG
Self-supervised Geometric Features Discovery via Interpretable Attentio for Vehicle Re-Identification and Beyond (Complete Version)
Worcester Polytechnic Institute（伍斯特理工学院）
为了学习可区分的模式，最近的大多数车辆重新识别（ReID）工作都在努力重新开发官方基准以提供各种监督，这需要大量的人力。在本文中，我们寻求实现类似的目标，但不涉及更多的人力。为此，我们引入了一个新的框架，它成功地编码几何局部特征和全局表示来区分车辆实例，仅通过官方ID标签的监督进行优化。具体来说，鉴于我们的洞察力，ReID中的对象共享相似的几何特征，我们建议借用自监督表示学习，以促进几何特征发现。为了浓缩这些特征，我们引入了一个可解释的注意力模块，其核心是局部最大值聚合而不是全自动学习，其机制是完全可以理解的，其响应图是物理上合理的。据我们所知，我们是第一个执行自监督学习来发现几何特征的人。我们对三个最流行的车辆ReID数据集进行了全面的实验，即，VeRi-776、CityFlow-ReID和VehicleID。我们报告我们的国家的最先进的（SOTA）的性能和有前途的可视化结果。我们还展示了我们的方法在其他ReID相关任务上的出色可扩展性，即，个人ReID和多目标多摄像头（MTMC）车辆跟踪。该代码可在https://github.com/ ming 1993 li/Self-supervised-Geometric上获得。
2023-02-05 cs.CV
Multi-object tracking with self-supervised associating network
Yonsei University（延世大学）
多目标跟踪（MOT）是一项很有发展潜力的任务，也有许多问题需要解决。在传统的检测跟踪模式中，基于特征的目标重识别方法已经得到了大量的研究。但是，该方法存在训练数据不足的问题。对于多目标跟踪数据集的标记，视频序列中的每个检测都需要其位置和ID。由于为每个序列中的每个检测分配连续的ID是一项非常劳动密集型的任务，因此当前的多目标跟踪数据集不足以训练重新识别网络。为此，本文提出了一种新的自监督学习方法，利用大量没有人类标记的短视频，通过自监督方式训练的重识别网络来提高跟踪性能，以解决训练数据不足的问题。尽管重新识别网络是以自我监督的方式训练的，但它在MOT17测试基准上达到了MOTA 62.0\%和IDF 1 62.6\%的最先进性能。此外，性能的提高与学习大量的数据，它显示了自监督方法的潜力。
2020-10-26 cs.CV
Intra-Camera Supervised Person Re-Identification
Shenzhen University（深圳大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Vision Semantics Limited（视觉语义有限公司）；Huawei Technologies Co. Ltd.（华为技术有限公司）；University of Verona（维罗纳大学）；Queen Mary University of London（伦敦玛丽女王大学）
现有的人员重新识别方法大多利用大量的跨摄像机身份标记的训练数据。这需要繁琐的数据汇集和注释过程，导致实际re-id应用程序的可伸缩性较差。另一方面，无监督的re-id方法不需要身份标签信息，但它们通常遭受更差和不足的模型性能。为了克服这些根本性的限制，我们提出了一种新的人重新识别范式的基础上独立的每相机身份注释的想法。这消除了最耗时和繁琐的相机间身份标记过程，大大减少了人工注释工作量。因此，它产生了更可扩展和更可行的设置，我们称之为相机内监督（ICS）人re-id，为此我们制定了Multi-tAsk multi-labEl（MATE）深度学习方法。具体来说，MATE是专为自我发现跨相机身份对应的每相机多任务推理框架。大量的实验表明，我们的方法的成本效益优于替代方法在三个大的人re-id数据集。例如，MATE在建议的ICS人员re-id设置中对Market-1501产生88.7%的rank-1分数，显著优于无监督学习模型，并接近传统的完全监督学习竞争对手。
2021-01-16 cs.CV
PersonViT: Large-scale Self-supervised Vision Transformer for Person Re-Identification
针对行人重识别中局部细粒度特征提取难和标注成本高的问题，提出基于掩码图像建模和对比学习的大规模自监督ViT方法PersonViT，在多个公开基准上达到最先进性能。
2024-08-20 cs.CV
Self-supervised Geometric Features Discovery via Interpretable Attention for Vehicle Re-Identification and Beyond
Worcester Polytechnic Institute（伍斯特理工学院）
为了学习可区分的模式，最近的大多数车辆重新识别（ReID）工作都在努力重新开发官方基准以提供各种监督，这需要大量的人力。在本文中，我们寻求实现类似的目标，但不涉及更多的人力。为此，我们引入了一个新的框架，它成功地编码几何局部特征和全局表示来区分车辆实例，仅通过官方ID标签的监督进行优化。具体来说，鉴于我们的洞察力，ReID中的对象共享相似的几何特征，我们建议借用自监督表示学习，以促进几何特征发现。为了浓缩这些特征，我们引入了一个可解释的注意力模块，其核心是局部最大值聚合而不是全自动学习，其机制是完全可以理解的，其响应图是物理上合理的。据我们所知，我们是第一个执行自监督学习来发现几何特征的人。我们对三个最流行的车辆ReID数据集进行了全面的实验，即，VeRi-776、CityFlow-ReID和VehicleID。我们报告我们的国家的最先进的（SOTA）的性能和有前途的可视化结果。我们还展示了我们的方法在其他ReID相关任务上的出色可扩展性，即，个人ReID和多目标多摄像头（MTMC）车辆跟踪。
2023-01-06 cs.CV
Integrating Coarse Granularity Part-level Features with Supervised Global-level Features for Person Re-identification
ZTE Corporation（中兴通讯股份有限公司）
近年来，整体人物再识别和局部人物再识别分别取得了很大的进展。然而，现实中的场景往往包括整体和部分行人图像，这使得单个整体或部分人Re-ID难以工作。在本文中，我们提出了一个鲁棒的粗粒度部分级的人Re-ID网络（CGPN），它不仅提取鲁棒的区域级的身体特征，但也集成了整体和部分的人的图像的监督全局特征。一方面，CGPN学习提取有效的身体部位特征的整体和部分的人的图像。另一方面，与直接通过骨干网络提取全局特征相比，CGPN通过监督策略学习提取更准确的全局特征。在Market-1501、DukeMTMC-reID和CUHK 03三个Re-ID数据集上训练的单个模型实现了最先进的性能，优于任何现有方法。特别是在CUHK 03上，这是对人Re-ID最具挑战性的数据集，在单一查询模式下，我们使用该方法获得了Rank-1/mAP=87.1\%/83.6\%的最高结果，而无需重新排序，比当前最好的方法高出+7.0\%/+6.7\%。
2020-10-15 cs.CV
Pluggable Weakly-Supervised Cross-View Learning for Accurate Vehicle Re-Identification
由于车辆在不同视角下的视觉外观会发生显著变化，因此学习跨视角一致的特征表示方法是实现车辆再识别的关键。为此，大多数现有的方法诉诸于监督交叉视图学习使用大量的额外的视点标注，然而，这是很难部署在实际应用中，由于昂贵的标签成本和连续的视点变化，使得很难定义离散的视点标签。在这项研究中，我们提出了一个可插入的弱监督交叉视图学习（WCVL）模块的车辆ReID。通过将交叉视图样本视为特征域中最难的正对应物，我们可以在不使用任何视点注释的情况下，仅基于车辆ID通过最小化交叉视图特征距离来学习一致的特征表示。更重要的是，所提出的方法可以无缝地插入到大多数现有的车辆ReID基线中，用于交叉视图学习，而无需重新训练基线。为了证明其有效性，我们将所提出的方法插入到一堆现成的基线中，并在四个公共基准数据集上获得了显着的性能改善，即，VeRi-776、VehicleID、VRIC和VRAI。
2021-03-09 cs.AI cs.CV
Supervised classification for object identification in urban areas using satellite imagery
COMSATS Institute of Information and Technology（COMSATS信息技术学院）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；University de Lorraine（洛林大学）
本文提出了一种实用的方法来实现分类的卫星图像。该方法是基于像素级的研究，采用各种功能，如相关性，均匀性，能量和对比度。在这项研究中，灰度图像用于训练的分类模型。对于监督分类，采用两种分类技术，即支持向量机（SVM）和朴素贝叶斯。对于灰度图像的纹理特征，朴素贝叶斯的整体准确率为76%，而SVM为68%。计算时间的评估，同时执行实验与两个不同的窗口大小，即，50x50和70x70。对于70x70的窗口大小，单个图像所需的计算时间为27秒，对于50x50的窗口大小，所需的计算时间为45秒。
2018-08-02 cs.CV cs.LG eess.SP
Self-Supervised Pre-Training for Transformer-Based Person Re-Identification
Alibaba Group（阿里巴巴集团）
基于transformer的监督预训练在人员重新识别（ReID）中取得了很好的性能。然而，由于ImageNet和ReID数据集之间的域差距，由于Transformer强大的数据拟合能力，它通常需要更大的预训练数据集（例如ImageNet-21 K）来提升性能。为了应对这一挑战，这项工作的目标是分别从数据和模型结构的角度缩小预训练和ReID数据集之间的差距。我们首先研究了自监督学习（SSL）方法，其中视觉Transformer（ViT）在未标记的人物图像（LUPerson数据集）上进行了预训练，并根据经验发现它在ReID任务上显着优于ImageNet监督预训练模型。为了进一步减小领域差距并加速预训练，提出了灾难性遗忘分数（CFS）来评估预训练和微调数据之间的差距。基于CFS，通过采样接近下游ReID数据的相关数据并从预训练数据集中过滤不相关数据来选择子集。对于模型结构，提出了一个称为基于IBN的卷积干（ICS）的ReID特定模块，通过学习更多的不变特征来弥合领域差距。已经进行了大量的实验来微调预训练模型在监督学习，无监督领域自适应（UDA），和无监督学习（USL）设置。我们成功地将LUPerson数据集缩小到50%，而没有性能下降。最后，我们在Market-1501和MSMT 17上实现了最先进的性能。例如，我们的ViT-S/16在Market 1501上实现了监督/UDA/USL …
2021-11-23 cs.CV
Self-Supervised Animal Identification for Long Videos
University of Bristol（布里斯托大学）
本研究提出了一种高效的自监督方法，通过全局聚类任务实现长时间视频中动物个体的高精度识别，准确率超过97%，且内存消耗低，适用于资源受限环境。
2026-01-14 cs.CV
SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification
由于源域和目标域之间存在较大的差异，域自适应人员重新识别（re-ID）是一项具有挑战性的任务。为了减少区域差异，现有的方法主要尝试通过聚类算法为未标记的目标图像生成伪标签。然而，聚类方法往往会带来噪声标签和未标记图像中丰富的细粒度细节没有得到充分利用。在本文中，我们试图提高标签的质量，通过捕获未标记图像的多个增强视图的特征表示。为此，我们提出了一种自监督知识蒸馏（SSKD）技术，包含两个模块，身份学习和软标签学习。身份学习探索未标记样本之间的关系，并通过聚类来预测它们的独热标签，从而为自信地区分图像提供准确的信息。软标签学习将标签视为一种分布，通过自监督的方式将一幅图像与若干个相关的类关联起来，训练对等网络，以缓慢进化的网络为核心，获取软标签作为可靠图像的温和约束。最后，这两个模块可以通过相互增强和系统地整合来自未标记图像的标签信息来抵抗标签噪声。在多个自适应任务上的大量实验表明，该方法的性能大大优于当前最先进的方法。
2020-09-13 cs.CV
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
Ice hockey player identification via transformers and weakly supervised learning
University of Waterloo（滑铁卢大学）；Stathletes Inc（Stathletes公司）
识别视频中的球员是基于计算机视觉的体育分析的基础步骤。获取玩家身份对于分析游戏至关重要，并用于下游任务，如游戏事件识别。Transformers是自然语言处理（NLP）中的现有标准，并且正在计算机视觉中迅速获得牵引力。受Transformers在计算机视觉中越来越成功的启发，本文介绍了一种Transformer网络，用于通过播放的国家曲棍球联盟（NHL）视频中的球衣号码识别球员。Transformer将球员帧（也称为球员轨迹）的时间序列作为输入，并输出帧中出现球衣号码的概率。所提出的网络在所使用的数据集上的性能优于以前的基准。我们通过为球衣号码的存在生成近似的帧级标签来实现弱监督训练方法，并使用帧级标签进行更快的训练。我们还通过使用光学字符识别（OCR）读取比赛时间，利用NHL逐场比赛数据中可用的球员轮班，以在特定的比赛时间让球员在溜冰场上。使用球员移位将球员识别准确率提高了6%。
2022-04-28 cs.CV
Intra-Camera Supervised Person Re-Identification: A New Benchmark
Pattern Analysis and Computer Vision (PAVIS), Istituto Italiano di Tecnologia（意大利理工学院模式分析与计算机视觉实验室（PAVIS））；Vision Semantics Ltd.（视觉语义有限公司）；Queen Mary University of London（伦敦玛丽女王大学）；Department of Computer Science, University of Verona（维罗纳大学计算机科学系）
现有的人员重新识别（re-id）方法主要依赖于大量的相机间身份标记的训练数据，需要繁琐的数据汇集和注释过程，因此导致实际re-id应用中的可扩展性差。为了克服这一根本性的限制，我们认为人的重新识别没有相机间的身份关联，但只有与身份标签独立注释在每个单独的相机视图。这消除了最耗时和繁琐的相机间身份标记过程，以显着减少注释过程中所需的人力。因此，它产生了一个更可扩展和更可行的学习场景，我们称之为相机内监督（ICS）的人re-id。在这个ICS设置较弱的标签监督下，我们制定了一个多任务多标签（MTML）深度学习方法。在没有摄像机间关联的情况下，MTML是专门设计用于自发现摄像机间身份对应关系的。这是通过联合多任务推理框架下的相机间多标签学习来实现的。此外，MTML还可以通过充分利用每个摄像机视图内的可用身份标签来有效地学习有区别的re-id特征表示。大量的实验表明，我们的MTML模型的性能优于国家的最先进的替代方法在三个大规模的人re-id数据集在建议的摄像机内监督学习设置。
2019-08-27 cs.CV
Weakly Supervised Person Re-Identification
Sun Yat-sen University（中山大学）；Accuvision Technology Co. Ltd（Accuvision科技有限公司）
在传统的人re-id设置中，假设标记的图像是每个人的限界框内的人图像;这种在来自原始视频监控的多个不重叠的摄像机视图上的标记是昂贵且耗时的。为了克服这个困难，我们考虑弱监督的人re-id建模。弱设置是指将目标人物与未经修剪的图库视频进行匹配，其中我们仅知道身份出现在视频中，而不需要在训练过程期间在视频的任何帧中注释身份。因此，对于一个视频，可以有多个视频级标签。我们将这个弱监督的人re-id挑战转化为多实例多标签学习（MIML）问题。特别是，我们开发了一个跨视图MIML（CV-MIML）的方法，能够探索潜在的组内的人的图像，从所有的相机视图，通过将袋内对齐和跨视图袋对齐。最后，CV-MIML方法被嵌入到现有的深度神经网络中，用于开发深度交叉视图MIML（Deep CV-MIML）模型。我们已经进行了广泛的实验，以证明所提出的弱监督设置的可行性，并验证我们的方法相比，相关方法的有效性在四个弱标记数据集。
2019-05-28 cs.CV
Weakly Supervised Visible-Infrared Person Re-Identification via Heterogeneous Expert Collaborative Consistency Learning
Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
本文针对跨模态标签缺失的可见光-红外行人重识别问题，提出异构专家协作一致性学习框架，通过单模态标签训练专家并融合跨模态预测，在弱监督下建立鲁棒身份对应关系，显著提升跨模态识别性能。
2025-07-17 cs.CV
A Multimodal Supervised Machine Learning Approach for Satellite-based Wildfire Identification in Europe
LINKS Foundation（LINKS基金会）；Politecnico di Torino（都灵理工大学）
本文融合MODIS、VIIRS热点数据与EFFIS数据库构建欧洲野火数据集，并提出一种结合LULC和Sentinel-3数据的多模态监督学习方法，以提升卫星热点检测中野火识别的准确性。
2023-07-27 cs.AI cs.CV eess.IV
Progressive Cross-camera Soft-label Learning for Semi-supervised Person Re-identification
Nanjing University（南京大学）；University of Wollongong（伍伦贡大学）
在本文中，我们专注于半监督的人重新识别（Re-ID）的情况下，只有相机内（内相机）标签，但没有相机间（跨相机）标签。在现实世界的应用中，这些相机内标签可以很容易地捕捉跟踪算法或少量的手动注释，当与跨相机标签。在这种情况下，由于缺乏跨相机标签信息，在训练阶段探索跨相机人之间的关系是非常困难的。为了解决这个问题，我们提出了一种新的渐进式跨摄像机软标签学习（PCSL）框架，用于半监督人Re-ID任务，它可以生成跨摄像机软标签，并利用它们来优化网络。具体地，我们基于人级别的特征计算亲和度矩阵，并调整它们以产生跨相机人之间的相似性（即，交叉相机软标签）。为了利用这些软标签来训练网络，我们分别从分类和区分的角度研究了加权交叉熵损失和加权三重损失。特别地，所提出的框架交替地生成渐进的跨相机软标签，并在整个学习过程中逐渐改善特征表示。在五个大规模基准数据集上进行的广泛实验表明，PCSL的性能明显优于采用标记源域或基于GAN模型生成的图像的最先进的无监督方法。此外，所提出的方法甚至具有与深度监督Re-ID方法相比的竞争性能。
2020-03-24 cs.CV
Self-supervised Learning on Camera Trap Footage Yields a Strong Universal Face Embedder
Visual Geometry Group (VGG), Department of Engineering Science, University of Oxford（视觉几何组（VGG），工程科学系，牛津大学）
本研究提出一种基于DINOv2框架的完全自监督方法，利用无标签相机陷阱录像训练Vision Transformers学习黑猩猩面部嵌入，无需身份标签即在Bossou等基准上超越监督基线，为非侵入性种群研究提供可扩展方案。
2025-07-14 cs.AI cs.CV cs.LG
A degree of image identification at sub-human scales could be possible with more advanced clusters
Microsoft India（印度微软）；VIT（维洛尔理工大学）
该研究通过同时扩展数据量和图像分辨率的自监督学习实验，证明视觉Transformer在亚人类尺寸下可实现人类水平的物体检测性能。
2023-08-09 cs.CV cs.LG
Feature Affinity based Pseudo Labeling for Semi-supervised Person Re-identification
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；College of Engineering and Computer Science, Australian National University（澳大利亚国立大学工程与计算机科学学院）；School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）
人员重新识别旨在跨多个相机流匹配人员的身份。深度神经网络已成功应用于具有挑战性的人员重新识别任务。一个显著的瓶颈是现有的深度模型是数据饥饿的，并且需要大量的标记训练数据。在大规模监控摄像机安装中获取用于行人身份匹配的手动注释是一项非常繁琐的任务。在这里，我们提出了第一种半监督方法，该方法通过考虑特征空间中未标记和标记训练样本之间的复杂关系来执行伪标记。我们的方法首先通过对抗训练学习生成模型来近似实际数据流形。给定训练模型，可以通过生成未标记的新的合成数据样本来执行数据增强。一个开放的研究问题是如何有效地使用这些额外的数据来改进特征学习。为此，这项工作提出了一种新的基于特征亲和度的伪标签（FAPL）方法，在一个统一的设置下有两种可能的标签编码。我们的方法使用来自深度网络的中间特征表示来测量未标记样本与标记数据样本的底层集群的亲和力。FAPL通过交叉熵损失和中心正则化项的联合监督进行训练，这不仅确保了区分性特征表示学习，而且同时预测了未标记数据的伪标签。我们在两个标准的大规模数据集Market-1501和DukeMTMC-reID上进行了广泛的实验，结果表明，与密切相关的竞争对手相比，性能有了显着的提升，并且在大多数情况下都优于最先进的人员重新识别技术。
2018-05-16 cs.CV
DeepRGVP: A Novel Microstructure-Informed Supervised Contrastive Learning Framework for Automated Identification Of The Retinogeniculate Pathway Using dMRI Tractography
University of Electronic Science and Technology of China（电子科技大学）；Harvard Medical School（哈佛医学院）；Nuclear Industry 215 Hospital of Shaanxi Province（陕西省核工业二一五医院）；The First Affiliated Hospital, Sun Yat-sen University（中山大学附属第一医院）；Zhejiang University of Technology（浙江工业大学）；University of Sydney（悉尼大学）
视网膜膝状体通路（RGVP）负责将视觉信息从视网膜传递到外侧膝状体核。RGVP的识别和可视化对于研究视觉系统的解剖结构非常重要，并且可以为相关脑部疾病的治疗提供信息。弥散MRI（dMRI）纤维束成像是一种先进的成像方法，能够在体内绘制RGVP的3D轨迹。目前，从纤维束成像数据中识别RGVP依赖于纤维束成像流线的专家（手动）选择，这是耗时的，具有高的临床和专家劳动力成本，并受观察者间变异性的影响。在本文中，我们提出了我们认为是第一个深度学习框架，即DeepRGVP，以实现从dMRI纤维束成像数据中快速准确地识别RGVP。我们设计了一种新的微结构通知监督对比学习方法，利用流线标签和组织微结构信息来确定阳性和阴性对。我们提出了一种简单而成功的流线级数据增强方法来解决高度不平衡的训练数据，其中RGVP流线的数量远低于非RGVP流线的数量。我们与几种最先进的深度学习方法进行了比较，这些方法是为纤维束成像分割设计的，我们使用DeepRGVP显示了优越的RGVP识别结果。
2022-11-15 cs.CV q-bio.NC
Leveraging Self-Supervised Features for Efficient Flooded Region Identification in UAV Aerial Images
Department of Electronics and Communication Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India（电子与通信工程系，Manipal理工学院，Manipal高等教育学院，Manipal，印度）
本文提出两种融合DINOv2自监督特征与编码器-解码器骨干的分割方法，验证其在无人机航拍图像洪水识别中的泛化能力，显著降低标注依赖并实现高精度分割。
2025-07-07 cs.CV
Learning Intra and Inter-Camera Invariance for Isolated Camera Supervised Person Re-identification
Xidian University（西安电子科技大学）；Zhejiang University（浙江大学）
本文针对孤立相机监督行人重识别中的相机偏差问题，提出在统一框架下通过聚类原型对比学习和改进的多相机负样本损失，联合学习相机内与相机间不变性，并在多个基准上验证了方法的有效性。
2023-11-02 cs.CV
Semi-supervised Identification and Mapping of Surface Water Extent using Street-level Monitoring Videos
Rutgers, The State University of New Jersey（罗格斯大学，新泽西州立大学）；NEC Laboratories America Inc.（NEC美国实验室公司）
城市洪水正在成为一种常见的破坏性灾害，造成生命损失和经济损失。由于复杂的城市景观、复杂的水力过程以及缺乏高质量和高分辨率的数据，在局部范围内监测和了解城市洪水是一项具有挑战性的任务。新兴的智能城市技术，如监控摄像头，为解决数据问题提供了前所未有的机会。然而，估计的积水在陆地表面上的监测镜头的基础上，使用传统的分割技术是不可靠的，因为积水的边界，在变化的天气，背景和光照的影响下，通常是太模糊，难以识别，在视频监控数据中的倾斜角度和图像失真，防止地理参考和基于对象的测量。本文提出了一种新的半监督分割方案的地表水范围识别从倾斜监控摄像机的镜头。半监督分割算法被发现适合于确定水的边界和monoplotting方法被成功地应用到地理参考的监控视频的像素的虚拟量化的本地排水过程。相关性和机制为基础的分析表明，所提出的方法在促进当地排水水力学的理解的价值。本研究的工作流程和创建方法对其他街道和地表过程的研究具有很大的潜力。
2022-01-31 cs.CV
