【Re-ID】现有方法调研 - 无监督/半监督方法 - 其他方法

最新推荐文章于 2021-06-03 21:02:28 发布
最新推荐文章于 2021-06-03 21:02:28 发布
阅读量870 收藏 1
点赞数
分类专栏： 论文筛选 ReID
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yinxian9019/article/details/107779385
版权

文章目录

问题是什么

尽管在CNN的端到端表示学习帮助下，re-ID的性能得到了显著提升，但是还有两个问题没有解决。

两个没有解决的问题：

  • 第一个问题是判别特征学习。
    作为一个实例级识别任务，在不相交的摄像机视图下重新识别人需要克服类内变化大和类间模糊两大困难。

  • 第二个问题是通用特征学习。
    由于光线条件、背景、视点等方面的差异造成的re-ID数据集之间存在固有的区域差距(见图1)，直接将在源数据集上训练的re-ID模型应用到不可见的目标数据集上，通常会导致的性能大幅下降 (所以需要域适应)。
    这表明所学习的re-ID特性严重地过拟合标记数据，并且不能进行区域泛化。
    在这里插入图片描述
    在图1(a)中，相机之间的视角变化（从正面到背面）给背包区域带来了较大的外观变化，使对同一个人的匹配变得具有挑战性。此外，从远处看，就像在监控视频中常见的那样，人们看起来非常相似，如图1中的错误匹配就是一个例子。这需要使用re-ID特性来捕获细微的细节(例如，图1(d)中的太阳眼镜)，用以区分具有相似外表的人。

论文合集

1、OSNet : Learning Generalisable Omni-Scale Representations for Person Re-Identification (一种通用全尺度表示方法)

有效的行人再识别模型应该学习特征表示，这些特征表示既可以用于区别外观相似的人员，又可以在无需任务调整下用于跨数据集部署。

全尺度网络（OSNet）的CNN来学习特征，它不仅可以捕捉不同的空间尺度，而且可以封装多个尺度的协同组合，即全尺度特征。

基本构建块由多个卷积流组成，每个卷积流检测一定范围内的特征。对于全尺度特征学习，提出了一种统一的聚合门，将多尺度特征与信道权值动态融合。

OSNet是轻量级的，因为它的构建块包含分解卷积。

为了改进通用特征学习，我们在OSNet中引入实例规范化层来处理跨数据集的差异。为了确定这些层在体系结构中的最佳位置，我们提出了一种有效的可微体系结构搜索算法。

解决 跨数据集准确性、 类内变化、类间模糊

要消除图1(b)(右)中的冒名顶替者，需要在前面具有特定标识的白色T恤上添加一些特征。

如果没有白色T恤作为背景，它可能会与许多其他图案混淆。同样，白色T恤在夏天随处可见(如图1(a))。它是独特的组合，由跨越小(标志尺寸)和中(上身尺寸)尺度的异构特性捕获，这使得这些特性最有效。

由不同re-ID数据集造成的差距,我们注意到这些差距通常反映在不同的图像样式，如亮度、颜色温度和角度(参见图1)。这些风格差异是由不同的照明条件和相机/设置在不同的摄像机网络特征。

现有的工作使用无监督域适应(UDA)方法解决了这个问题。这些需要未标记的目标域数据来进行模型调整。

相反，我们将其视为一个更一般的域泛化问题，而不使用任何目标域数据。通过消除给定新目标域的数据收集和模型更新的繁琐过程，使用我们的方法，可以对任何未知的目标数据集开箱即用地应用使用源数据集训练的re-ID模型。

结构

全新的CNN体系结构OSNet（Omni-scale Network，OSNet）,它是专门为学习全尺度特征表示设计的。

托换构建块（building block）由多个不同的卷积特征流组成(如图2所示)，每个流所关注的特征尺度由指数（exponent）决定，指数是一个新的维度因子，跨流线性增加，以确保每个块中捕获不同尺度。

在这里插入图片描述
AG是一种跨所有流共享参数的子网络，具有许多有效的模型训练所需的特性。 在可训练的AG下，生成的信道权值依赖于输入，从而实现了动态尺度融合。
这种新颖的AG设计为全尺度特征学习提供了极大的灵活性： 根据特定的输入图像，门可以通过为特定的流/尺度分配主导权重来聚焦于单个尺度；或者，它可以选择和混合，从而产生异构的特征尺度。

创新点

1、动态尺度融合： 统一聚和门AG： 信道全职，分配权重聚焦不同尺度（全局、衣服、图案、鞋子）
2、轻量级： 将标准卷积分解为点卷积和深度卷积，使OSNet不仅在特征学习上有区别，而且在实现和部署上也很高效。
3、通过消除给定新目标域的数据收集和模型更新的繁琐过程，使用我们的方法，可以对任何未知的目标数据集开箱即用地应用使用源数据集训练的re-ID模型。

在这里插入图片描述
最后，为了增强对不可见数据集的通用性，我们通过实例规范化(IN)扩展了OSNet，并进一步提出了一个可区分的架构搜索机制来自动推断最优的布局。

OSNet 性能对比

在这里插入图片描述
在本文中，我们提出了一种轻量级的CNN架构OSNet，它能够学习人的全方位特征表示。与现有的ReID CNNs相比，OSNet具有在每个构建块内显式学习多尺度特征的独特能力，其中统一聚合门动态融合多尺度特征生成全尺度特征。

为了改进跨域的泛化，我们通过可微架构搜索为OSNet配备了实例规范化，从而产生了一种称为OSNet- ain的域自适应变体。在相同域的re-ID设置中，结果显示OSNet在比基于resnet的竞争对手小得多的同时，还能达到最先进的性能。

在跨域的ReID设置中，OSNet-AIN在不可见的目标数据集上表现出了非凡的泛化能力，甚至在没有对目标域数据进行每域模型自适应的情况下，也击败了最新的UDA方法。

2020

车辆重识别： 多域学习与身份挖掘 Multi-Domain Learning and Identity Mining for Vehicle Re-Identification

在这里插入图片描述

baseline : re-id : bag of tricks (BoT-BS)

在这里插入图片描述
https://github.com/heshuting555/AICITY2020_DMT_VehicleReID.

Multi-domain learning method

synthetic data and real-world 联合合成信息和真实世界信息 用于训练网络

先对合成数据进行预训练，根据现实世界微调。

Identity Mining method

Some unsupervised methods, such as the k-means clustering, can be adopted to generate pseudolabels for the testing data.
However, the pseudo labelsare not accurate enough because of the poor performanceof ReID models.Therefore, We propose the Identity Min-ing (IM) method to generate more accurate pseudo labels

IM selects some samples of different IDs with high confi-dence as clustering centers, where only one sample of eachidentity can be selected. Then, for each clustering center,some similar samples are labeled with the same ID. Differ-ent from the k-means clustering dividing all data into sev-eral clusters, our IM method just automatically labeled apart of data with high confidence.
IM选取可信度较高的不同id的样本作为聚类中心，每个IDs只能选择一个样本。
然后，对于每个聚类中心，用相同的ID标记一些相似的样本，不同于k-means聚类将所有数据分为多个聚类，我们的IM方法只是自动标记出高置信度的数据。

K-means 聚类不能提供准确的伪标签。

在这里插入图片描述
每一步都可以用新的ID标记一个样本，黄色圆圈的半径是负样本对的距离阈值。

黄色圆圈外的样本是满足距离约束的候选样本。

使用自动注释的labe 来训练模型，性能变差了。

query : Q
gallery set : G

query : Q ： 待查询的样本集合
gallery set : G ： 全部的样本集合

Stage t :

  • 1、 Stage1 : L := {L1, L2, L3 … Lt} l1 随机初始化
  • 2、计算距离矩阵： Dist(L,Q) 、定义距离阈值。
  • 3、目标： 找到新ID 添加到 L
  • 4、qi 作为候选， 在黄色圆圈里面的qi ,作为候选。
  • 5、为了避免多个候选满足这个约束： 选择最不相似的候选
    在这里插入图片描述
    就是使后面这个式子达到最大值 ， 时候， q 的曲子。 是的 q 在L中的距离， 达到最大值。

下一时刻的l , = 使得 和当前L里面最远的qi 和现有L里面距离最远的qi 。 这个qi 的距离得在阈值外。

q和L的最小距离在距离范围外。

L 包含几个 不同的样本， 第二部挖掘

在这里插入图片描述

在这里插入图片描述

优点： 自动生成聚类中心，在第一个stage , 不需要知道类数量
缺点： 局部优化 ， 对初始化L样本敏感。

下一步： 关注全局优化问题， 有潜力比pseudo labels 聚类方法更好： global optimization problem

a tracklet-level re-ranking strategy

CVPR 2020 ： Multi-Granularity Reference-Aided Attentive Feature Aggregationfor Video-based Person Re-identification

未开源

基于视频的多粒度参考辅助注意特征聚合方法

在这里插入图片描述

在这里插入图片描述

zhaoyuyu_nudt
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
2020-2-13 深度学习笔记7 - 深度学习中的正则化3（半监督,多任务,提前终止-解决过拟合,参数绑定与参数共享）
weixin_42555985的博客
03-01 779
第七章 深度学习中的正则化 官网链接 2020-2-9 深度学习笔记7 - 深度学习中的正则化1（参数范数惩罚和范数惩罚约束） 2020-2-12 深度学习笔记7 - 深度学习中的正则化2（欠约束，数据集增强，噪声鲁棒性，输出目标注入噪声） 半监督学习 在半监督学习的框架下，P(x)P(x)P(x)产生的未标记样本和P(x,y)P(x, y)P(x,y)中的标记样本都用于估计P(y∣x)P(y \...
reid的无监督调研
weixin_44523062的博客
07-01 584
跨域无监督学习 此类方法旨在如何以无监督的方式将预先训练好的模型从源域有效地传递到目标域49],一般情况下,直接将在源域中训练的模型应用到目标域,由于两个域之间存在一定差异,会导致效果不理想,而无监督的跨域方法会减小这种域差异,使得源域的模型也可以有效地用于无标签的目标域。 伪标签法 1. 文献[50]提出的PUL (Progressive Unsupervised Learning )2018 使用预训练的模型从未标记的目标域训练集中提取图像特征,然后使用K-means聚类算法对这些特征聚类,再从这些类中
好思想 REID 无监督方法
weixin_44523062的博客
05-08 539
https://blog.csdn.net/weixin_43979572/article/details/106161164 附论文下载链接：https://arxiv.org/pdf/2004.09228.pdf 【课题介绍】：北大Dongkai Wang，Shiliang Z
ReID：无监督及领域自适应的目标重识别概述
zhangxu
05-10 3428
无监督（unsupervised）及领域自适应（domain adaptive）的目标重识别是目标重识别领域中两个重要的研究方向，同时二者又关系密切。本文中大部分配图和内容参考葛艺潇：无监督及领域自适应的目标重识别。
无监督调研
sunjingsujing的博客
01-12 197
一.无监督 1.传统的机器学习无监督 机器学习无监督 目前网上介绍的无监督学习，主要是机器学习方向，以聚类和降维为主，不太适用目前工程项目. 2.深度学习无监督 待补坑 二.自监督学习 在深度学习中，经常遇到的问题是没有足够的标记数据，而手工标记数据耗费大量时间且人工成本高昂。基于此，自我监督学习成为深度学习的研究热点，旨在从未标记样本中进行学习，以缓解数据标注困难的问题。自监督学习的目标很简单，即训练一个模型使得相似的样本具有相似的表示，然而具体实现却困难重重。经过谷歌这样的诸多先驱者若干年的研究，自监督
基于Python实现5种Re-Rank排序方法【100013177】
最新发布
08-11
推荐系统的多样性与准确性(Accuracy)是一对相互矛盾的关系。若提高多样性必然会导致准确性的损失。如，总是推荐热门的项目给用户，虽然准确度很高，但是其多样性很差，若提高多样性，就需要推荐给用户相对不那么热门...
Re-ID Paper
09-04
CVPR 2017 相关论文下载，提供最新的文章链接，2017年12篇相关的论文，从数据集到算法，包括 Triplet改进方法、Re-Ranking等。
车辆Re-ID数据集（分角度）
10-13
不同方向成对图像拼接（保持车ID不变），可作一般用途，可作为数据增强数据集，生成不同角度的图像，利用GAN网络
re-ducks-examples：re-ducks模块化方法的Redux Todo示例
02-05
再鸭的例子 示例项目显示了从标准redux文件夹结构到模块化方法的转换。 这些项目是来自Redux示例的直接翻译，这些示例位于和 。 目前仅实施了和项目，但足以作为初学者重新鸭嘴的例子。 专案
sql2000报错Successfully re-opened the local eventlog解决方法
09-10
主要介绍了sql2000报错Successfully re-opened the local eventlog解决方法,需要的朋友可以参考下
Omni-Scale Feature Learning for Person Re-Identification
11-27
Omni-Scale Feature Learning for Person Re-Identification论文预训练权重
CVPR 2021｜一个绝妙的想法：在类别不平衡的数据上施展半监督学习
zandaoguang的博客
03-28 1038
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达作者丨kid丶@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/36006...
Re-id的trick技巧
AI炼丹师
09-13 233
1.主要采用训练时水平翻转，测试时也同样水平翻转抽取两次特征并求平均。该思路在人脸识别问题中就被大量采用。 2.输入图像扩大，来自[3]中，将256128的输入变为384128，性能会提升不少，也有人尝试288144[4] 3.随机裁剪，很多人尝试过后会发现性能反而不好，这里有个技巧，就是先补0，然后再裁剪，把图片resize到384128，然后补0至402148，再次随机裁剪为384128。具体做法来自于[5]，该文章中是把图片resize到256128，并补0至276148，然后随机裁减至256*128
行人重识别02-00：fast-reid(BoT)-目录-史上最新无死角讲解
江南才尽江南山，年少无知年少狂！
08-15 7322
接下来，我会为大家无死角的解析fast-reid(MGN-行人重识别)，之前的文章，如下(以下是我工作的所有项目，每一个项目都是，我都做了百分百的详细解读，随着项目增多，为了方便不臃肿，所以给出以下链接) 视觉工作项目-为后来的你，提供一份帮助！ 我相信，关于fast-reid(MGN)的讲解，我的这一系列博客或许不是国内最早的，但是肯定是最详细的，该网络对应的论文为： Learning Discriminative Features with Multiple Granularities for Pers
论文阅读：轻量级reid：Learning Generalisable Omni-Scale Representations for Person Re-Identification
liyu0611的博客
10-23 1098
论文地址： https://arxiv.org/pdf/1910.06827.pdf Github： https://github.com/KaiyangZhou/deep-person-reid 摘要 有效的行人再识别模型应该学习特征表示，这些特征表示既可以用于区别外观相似的人员，又可以在无需任务调整下用于跨数据集部署。 在本文中，我们提出了新的CNN架构来应对这两个挑战。首先，我们提出了一个被...
深度学习行人重识别ReID最新综述与展望
我爱计算机视觉
01-14 2920
点击我爱计算机视觉标星，更快获取CVML新技术今天 arXiv 新出论文 Deep Learning for Person Re-identification: A Survey and...
【论文笔记】Omni-Scale Feature Learning for Person Re-Identification
不知小姐
06-11 4549
https://github.com/KaiyangZhou/deep-person-reid 作为实例级识别问题，人员重新识别（ReID）依赖于判别特征，其不仅捕获不同的空间尺度而且还封装多个尺度的任意组合。我们将这些特征称为同构和异构尺度的全尺度特征。在这篇论文中，一部新颖的深刻CNN被设计为全称网络（Omni-Scale Network OSNet），用于ReID中的全方位特征学习。这是...
最强无监督行人重识别方法 Cluster Contrast ReID，rank-1 94.6%
jacke121的专栏
04-30 4348
代码连接： https://github.com/alibaba/cluster-contrast-reid 看了一下，主要是resnet50，resnet101训练的。 在行人重识别领域，如何获取海量标注数据，提高实际场景的重识别能力是工业界非常关注的一个问题。通常在学术界上公开数据集如Maket1501上训练出来的模型在实际场景上基本是没法用的，都需要在实际场景中采集数据并进行标注。标注需要人工成本和时间周期，在项目比较急的时候重新标注根本来不及，因此无监督的行人重识别方法成为了目前研...
Re-ID综述（持续）
qq_42878721的博客
06-03 2387
综述：https://zhuanlan.zhihu.com/p/72501575 开源框架：Fast-REID等。FastReID是一个研究平台，可实现最新的重新识别算法。 来源：https://zhuanlan.zhihu.com/p/299323707 FastReID地址：https://github.com/JDAI-CV/fast-reid UDAStrongBaseline：https://github.com/zkcys001/UDAStrongBaseline 知乎Re-ID专栏：https
Python 的 id-Validator使用方法
04-21
您好，关于 Python 的 id-Validator 的使用方法，我可以为您提供以下帮助： Python 的 id-Validator 是一个用于验证身份证号码是否合法的工具，其使用方法如下： 1. 首先，需要导入相关的库，例如 re 模块。 2. 然后，在代码中定义 id_validator() 函数。 3. 在函数内部，通过正则表达式的方式，验证身份证号码是否符合规范。 4. 如果身份证号码合法，则返回 True，否则返回 False。 以下是一个示例代码： import re def id_validator(id_number): pattern = re.compile(r'^[1-9]\d{16}[\dxX]$') if pattern.match(id_number): return True else: return False # 身份证号码测试 id_number = '510107198812023214' if id_validator(id_number): print('身份证号码合法') else: print('身份证号码不合法') 希望以上信息能够帮助到您，如果您有其他问题或疑问，欢迎随时向我提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值