实用人员再识别的深度度量学习
本文介绍了一种通过简单地重新参数化传统的 softmax 分类方案来有效优化余弦相似度的方法,在两个抽取的特征对应相同身份时会更加接近,这种方法被用于大规模行人再识别数据集中达到了竞争性的好结果。
Dec, 2018
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
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
本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架,用于处理智能视频监控中的人员再识别问题,并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。
Dec, 2015
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
本文提出了一种基于 Generalizable Metric Network (GMN) 的 Person Re-identification (Re-ID) 方法,通过在测试阶段结合 Metric Network 和正、负样本对进行训练,使用 Dropout-based Perturbation (DP) 模块来丰富样本对的多样性,从而增强模型的泛化能力,并使用 Pair-Identity Center(PIC)Loss 来提高模型的区分能力以在多个基准数据集上验证所提出方法的有效性。
Jun, 2023
本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法,可以在多个数据集上有效地解决视频监控中的人员重识别问题,并且相较于现有的人员重识别方法具有更好的性能表现。
Jul, 2017
提出了一种名为 DEep Clustering-based Asymmetric MEtric Learning (DECAMEL) 的无监督学习框架,该框架基于交叉视图聚类学习不对称距离度量,并将其嵌入深度神经网络中,学习跨视图群集结构,以解决 Person re-identification 无监督学习中的视图特定偏差的问题,实验表明该框架具有较好的效果。
Jan, 2019
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
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