行人重识别数据集生成算法

最近在看行人重识别领域中的风格迁移有关的数据集生成方法，找到了几篇相关的论文：

NVIDIA/悉尼科技大学/澳洲国立大学新作解读：用GAN生成高质量行人图像，辅助行人重识别 - 知乎今天要介绍的论文是英伟达(NVIDIA), 悉尼科技大学(UTS), 澳大利亚国立大学(ANU) 在CVPR19上口头报告的文章《 Joint Discriminative and Generative Learning for Person Re-identification》。 深度学习模型训练时…https://zhuanlan.zhihu.com/p/66408913

DG-Net

生成不同颜色与纹理的行人图像数据，同时将其与行人重识别模型融合，同时提升行人生成的质量和行人重识别的精度。

这篇论文很绝的idea体现在下面两幅图：

我们首先定义了两种特征。一种为外表特征，一种为结构特征。外表特征与行人的ID相关，结构特征与low-level的视觉特征相关。

​

这两个损失可以通过下图来理解。如果横过来看，每一行，使用的是相同的appearance code，我们使用老师-学生模型Lprim来挖掘相似的外表信息。 而看每一列，虽然人换了不同的衣服，我们仍旧可以从中挖掘一些细粒度的信息如身材等，即Lfine 。

​

DG-Net++

跨域行人重识别（REID）Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification 论文阅读与理解_行人重识别伪标签-CSDN博客文章浏览阅读2.3k次。本文将按照原论文的大标题进行内容概括、理解，最后为总结与思考论文理解01 Introduction02 Related work03 方法03.1 解耦合模块3.1.1 公式3.1.2 跨域生成03.2 域适应模块3.2.1 对抗对齐（Adversarial alignment）3.2.2 自训练01 Introduction跨域概念介绍：训练集与测试集来源的时间、摄像头位置等具有较大差别，识别目标的所处季节、背景、视角等都发生变化。这就是目标域与源域之间的差距。同时，域内自身会有差距。解决方法：_行人重识别伪标签https://blog.csdn.net/m0_46152009/article/details/120142318

---

【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification-CSDN博客文章浏览阅读1.1k次。方法概述1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。2， 在生成模块中，我们引入了3D网格生成器。3， 在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献内容概要论文名称简称会议/期刊出版年份baselinebackbone数据集Joint Generative and Contrastiv._joint generative and contrastive learning for unsupervised person re-identifhttps://blog.csdn.net/NGUever15/article/details/120854735

GCL

就是将GAN和对比学习模块结合起来，对比学习不是需要数据增强吗，就用GAN的视图生成器来做这个增强，还提出了一种对比学习的损失函数，实验也证明取得了SOTA。

这篇工作提出使用3D网格生成器，首先我们定义一个3D网络中的一个2D平面作为原始的基础平面Sori，我们分别旋转3d网络，并且继续随机选择一个二维投影作为一个新的平面Snew。其实目的就是使用3D模型旋转来模拟不同角度照相机。

​

​

这个行人重识别大佬的知乎必看！！！

2020年 行人重识别的挑战 与 最新进展 （35页PPT整理） - 知乎行人重识别近几年获得了在测试结果上的大幅提升，甚至超过了人的分辨能力，但是我们在实际应用上仍有很多待解决的问题。在本文中，我们take a step back, 提出了一些问题和潜在的解决方案，主要以我们 reler组的尝…https://zhuanlan.zhihu.com/p/163255539