介绍了现有的人行属性识别方法,包括传统方法和基于深度学习网络的方法,同时分析了多种学习算法和网络架构,总结出可行的研究方向,并给出实验结果的性能评估。
Jan, 2019
本文介绍了一个基于端到端学习框架的人行属性推断方法,将其作为多标签图像分类任务,以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。
Jul, 2017
提出了一种基于定位的引导网络,该网络为每个属性自动学习本地特征,并通过与全局特征的互动强调它们,在两个行人属性基准测试中取得了最新的最佳成绩。
Aug, 2018
针对密集环境下行人检测中存在的遮挡和高度拥挤等问题,本文提出了一种基于属性感知的行人检测器,采用深度学习框架,利用属性特征进行检测和区分,引入了基于属性特征的非极大值抑制,设计了一种新的数据集以缓解训练过程中的困难,实验表明该方法在行人检测方面优于目前的最新方法。
Oct, 2019
本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题,其中使用最大池化的弱监督目标检测技术来训练属性特征图,并通过检测响应大小的回归来预测属性标签,通过对检测层激活图的融合加权聚类,可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。
Nov, 2016
本研究提出了一种基于视频的多任务模型与时间注意策略相结合的新网络结构,解决行人属性识别方面的挑战。同时,本文还公开发布了两个新的大规模视频数据集,用于展示该方法的有效性。
本文提出了一种基于元学习的方法,以解决行人属性识别中存在的增量 few-shot 学习情形,实验表明该方法在 PETA 和 RAP 基准数据集上取得了具有竞争力的性能和低资源需求。
Jun, 2019
提出适用于行人属性识别的属性定位模块 (ALM),以自适应方式发现最具有区分性的区域并学习每个属性的区域特征,并引入特征金字塔架构以实现低水平的属性特定局部化。
本文介绍了一种基于多任务学习的模型,通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别,其中包括道路等待行为的预测,结果在自动驾驶领域表现出竞争力和稳定性。
Dec, 2020
该论文对行人属性识别的现状进行了回顾和思考,并提出了两个根据零样本设置构建的数据集 PETA extsubscript {$ZS$} 和 RAP extsubscript {$ZS$},介绍了多个用于未来评估的真实准则,还重新实现了现有的最新方法,并引入了一个强大的基准方法,以在现有数据集和两个提议的数据集上进行实验,以测量行人属性识别的进展。
Jul, 2021