Apr, 2015

具有对应结构学习的人员再识别

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 人员再识别图形对应转移

    本文提出了一种图形对应传送（GCT）方法，用于人物重新识别，该模型将人物重新识别的问题制定为离线图形匹配和在线对应传送的问题，并通过基于补丁的图形匹配从具有各种姿势对配置的正面训练对中学习一组对应关系模板。实验结果表明，与现有算法相比，GCT 模型具有更好的性能。

    Apr, 2018

  • 使用人重新识别的广基线多相机标定

    提出了一种使用人员重新识别作为建立相机之间对应关系的方法来实现大环境宽基线情况下相机 3D 姿态的估计。

    Apr, 2021

  • 视频中人物重新识别的时空相关性和拓扑学习

    本文提出了一种新的 CTL 框架来实现视频行人重新识别，其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征，采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征，并通过构建多尺度图形来捕捉分层时空依赖性和结构信息，最终证明了该方法在两个视频基准上实现了最先进的表现。

    Apr, 2021

  • 人物重识别的深度学习部分对齐表示

    本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

    Jul, 2017

  • 通过显著性学习的人员再识别

    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。

    Dec, 2014

  • 基于相机相关特征增强的人员再识别

    本文提出了一种基于特征增强的视图感知模型，称为 CRAFT，它可以学习视图特定的 feature 变换，将原始特征转换为新的自适应空间，同时模拟默认视图的学习算法，为学习出的视图特定子模型优化视图通用歧视信息。

    Mar, 2017

  • SCENES: 用极线监督进行子像素对应估计

    从两个或多个视图中提取场景的点对应是一个基本的计算机视觉问题，对于相对相机位姿估计和运动结构具有特殊重要性。我们通过使用对应于传递线上的假设匹配来放宽已有模型需要的先验知识约束，并提出了一种新颖的引导方法，从而无需真实的三维结构信息即可对模型进行微调，并在新数据上获得最先进的结果。

    Jan, 2024

  • 通过匹配组合模板和群集抽样进行人员再识别

    本文针对视觉监控中的一项新兴任务，通过匹配人体信息在距离上重新识别人的问题进行了研究，并提出了一种基于部件和替代组成的简单而富有表现力的模板，以及一种带有聚类抽样的有效匹配算法，实验表明该方法在三个公共数据库上具有更优秀的性能。

    Feb, 2015

  • 部分人员再识别的深度空间特征重构：无需对齐的方法

    本文提出了一种基于完全卷积神经网络的快速准确的匹配方法，结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题，并在多个数据集上进行的实验证明了该方法的有效性和效率。

    Jan, 2018