CVPRJun, 2014

基于局部最大出现表示和度量学习的人物再识别

PDF
TL;DR提出 Local Maximal Occurrence（LOMO）特征表示和 Cross-view Quadratic Discriminant Analysis（XQDA）子空间及度量学习方法，通过对局部特征的水平出现进行分析并最大化它来稳定地表示特征，同时处理照明和视角变化以及学习鉴别度量来进行人物重识别，实验表明提出的方法在四个数据集上显著提高了状态的最高识别率。
发现论文，激发创造
  • 通过张量特征融合提升人物重识别

    本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别（PRe-ID）系统，该方法利用预训练的 CNN 进行高级特征提取，结合局部极大出现（LOMO）和高斯之高斯（GOG）描述符。此外，使用跨视图二次判别分析（TXQDA）算法进行多线性子空间学习，在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。

    Dec, 2023

  • 推进人员识别：基于张量的特征融合和多线性子空间学习

    本文提出了一个新颖的人物再识别系统，它结合了张量特征表示和多线性子空间学习。该方法利用预训练的卷积神经网络作为强大的深度特征提取器，结合局部最大出现（LOMO）和高斯特征（GOG）两种互补描述符。然后，使用基于张量的跨视图二次判别分析（TXQDA）来学习增强不同个体之间可分性的子空间。马氏距离用于查询样本和库样本之间的匹配和相似度计算。最后，我们通过在 VIPeR、GRID 和 PRID450s 三个数据集上进行实验来评估我们的方法。

    Dec, 2023

  • 人员再识别的非线性局部度量学习

    本文提出了一种非线性局部度量学习方法（NLML），利用局部度量学习和深度神经网络的优点来学习多组非线性转换，通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界，从而有效地利用识别信息，本文通过在公共数据集上进行实验，证明了该方法在人物重新识别方面取得了最先进的结果。

    Nov, 2015

  • 使用得分规范化改进基于 CNN 的人员再识别

    该论文提出了一种结合了卷积神经网络特征提取方法和交叉视角二次判别分析进行度量学习的 PRe-ID 新方法，并使用马氏距离和得分规范化算法处理多摄像头下的匹配问题，实验表明该方法在多项数据集上均获得了可喜的结果。

    Jul, 2023

  • 一种新的基于视觉词共现的人物再识别模型

    本研究提出了一种基于视觉单词共现模型的个人再识别方法，该方法将图像像素映射到视觉单词上，并使用共现矩阵来编码探针和库图像中的视觉单词的联合分布，通过使用线性 SVM 分类器来训练这些共现描述符，以应对不同摄像头视角下的外观变化，实验表明该方法在 VIPeR 和 CUHK Campus 数据集中可以取得比最先进的结果分别高 10.44％和 22.27％的 rank-15 性能

    Oct, 2014

  • 使用特权信息的度量学习进行人物再识别

    本文介绍了一种基于逻辑判别度量学习算法，能够在人物视角发生大量变化的情况下实现人物重新识别，通过在训练期间利用辅助信息同时利用原始数据和辅助数据来完成度量学习，可以用于单视角和多视角任务

    Apr, 2019

  • 人员再识别的有约束深度度量学习

    本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

    Nov, 2015

  • 实用人员再识别的深度度量学习

    本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

    Jul, 2014

  • 学习判别性的零空间用于人员再识别

    本研究提出了一种新的人物再识别（re-id）距离度量学习方法，通过匹配训练数据的判别式空间来克服小样本问题，并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。

    Mar, 2016

  • 人员再识别中的深度度量嵌入：抗大尺度变化的研究

    本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上，通过度量权重约束来改进学习，从而使学习到的度量具有更好的通用性。实验表明，这两种策略能够有效地学习到鲁棒的深度度量，并且相应地，我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此，本文提出的研究可能对启发人员重识别的新深度模型的设计有用。

    Nov, 2016