本文提出了一种新的模型,可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段,从而可以计算可靠的时空和外观特征,同时学习用于人员重识别的视频排名功能。
Jan, 2016
本文通过对 2015 年至 2021 年间 230 多份文献的系统调查,首次综合性地回顾了针对各种视觉挑战的人员重新识别 (person re-identification) 方法,分析了当前方法的优缺点,提出了未来研究的发展方向。
Feb, 2022
这篇论文对于人员再识别技术进行了全面的评估和表现评估,并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库,使用 17 个不同的数据集进行了评估,旨在为这个领域提供公开、准确、全面的基准。
May, 2016
本篇研究提出了一种新的多尺度深度学习模型,能够在不同尺度上学习深度的区分特征,并自动确定最适合匹配的尺度,明确地学习不同空间位置提取区分特征的重要性,实验证明该模型在多项基准测试中优于现有技术。
Sep, 2017
本文提出了一种有效的结构化学习方法来解决个人重新识别问题,在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征,并制定了两种优化算法,直接优化常用于个人重新识别的评估措施,也称为累积匹配特性(CMC)曲线,并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统,可优于大多数现有算法。更重要的是,我们将基准测试的 rank-1 识别率从 40%提高到 50%、从 16%提高到 18%、从 43%提高到 46%、从 34%提高到 53%、从 21%提高到 62%。
Mar, 2015
提出了一个基于提升算法的方法来学习一个对应结构,以处理由于摄像机视角变换或人体姿态变化而导致的空间错配问题。学习的对应结构可以不仅可以捕获摄像机之间的空间对应模式,还可以处理个体图像的视角或人形态变化。此外,还提出了一种全局匹配过程,通过在所学习的对应结构上整合全局匹配约束,来排除图像补丁匹配过程中的跨视角错配,从而实现更可靠的图像匹配得分。
Apr, 2015
本文提出了一种新颖的组粒度概念,通过多粒度对象:组内的个人和二三人子组来表征群组图像,以实现强大的组重新识别。此外,该方法设计了一种可提取的多粒度表示,该表示对多粒度对象的外观和空间关系进行了特征化,并进一步配备了重要性权重,以捕获群组内的动态变化。实验证明了该方法的有效性。
May, 2019
本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性,并以三个数据集为基准测试了四种方法,提供指南以帮助未来设计更好的人物重新识别流水线。
Dec, 2022
本研究提出一种基于深度学习和自动原型域发现的人员再识别方法,该方法具有自适应的学习能力和模型选择能力,可以自动选择最接近的原型域模型进行再识别,无需监督或非监督域自适应学习。实验证明,该方法优于当前大多数监督和非监督方法。
Oct, 2016
通过对比基准数据集,研究了目前在智能视频监控和机器学习技术领域中,用于人员再识别的深度神经网络模型的表现及局限性,为未来的研究提供了基础。
Jul, 2018