ICCVDec, 2014

通过显著性学习的人员再识别

PDF
TL;DR本篇研究提出了一种基于学习人类显著性和匹配显著性分布的人物再识别新方法，包括了临接受限制补丁匹配（adjacency constrained patch matching）、K 最近邻算法、一类支持向量机方法，以及统一的 RankSVM 框架，其在 VIPeR 数据集以及 CUHK01 数据集上表现优于其他人物再识别方法。
person re-identificationhuman saliencypatch matchingranksvmdistributed saliency
发现论文，激发创造
  • 利用视觉注意力进行人员再识别

    论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

    Jul, 2017

  • 针对个体再识别的时间模型适应

    本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。

    Jul, 2016

  • 在自训练子空间中增强人物重新识别

    本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

    Apr, 2017

  • 具有对应结构学习的人员再识别

    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

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

    Aug, 2018

  • 人物再识别中的对应结构学习

    本文介绍了一种基于增强学习的方法来学习对应关系结构，进而解决人物重新识别中由于摄像视角变化和人体姿势变化导致的空间配准问题，并通过引入全局约束性匹配过程和多结构方案来提高精度。

    Mar, 2017

  • 视频排名中基于判别性选择的人员再识别

    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

  • 一种新的被遮挡人员再识别师生学习框架

    本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。

    Jul, 2019

  • 人物再识别的人类语义分析

    本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同，我们提出采用人类语义分析来提取局部特征，相应的性能得到了大幅提升，并成为了当前最优方法。此外，我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法，如 Inception-V3 和 ResNet-152，无需修改即可显著提高人物再识别的性能。

    Mar, 2018

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018