人员再识别的有约束深度度量学习
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
本研究介绍了一种使用深度神经网络学习图像相似度度量的方法,该方法采用 “连体” 结构体系,可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果,结果表明该方法在人员再识别方面性能显著优于现有方法。
Jul, 2014
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
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
本文提出了一个基于深度学习的哈希框架,通过同时学习 CNN 特征和哈希函数 / 码,解决了行人再识别中匹配效率低的问题,即通过计算和排名图像间的汉明距离来实现快速的再识别。通过在正对和负对之间定义的结构化损失函数,提出了一个新的优化问题。该方法在两个基准测试数据集 CUHK03 和 Market-1501 上的大量实验表明,其比现有技术更加有效。
Feb, 2017
为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题,提出了一个半监督属性学习框架,该框架由三个阶段组成,并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量,取得了出乎意料的好效果,在度量学习模块的帮助下,显著优于许多最近的工作。
May, 2016
该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法,通过建立统一的深度排名框架来解决特征工程和评价设计的问题,并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性,在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法,具有更好的泛化能力。
May, 2015
本文介绍了一种基于逻辑判别度量学习算法,能够在人物视角发生大量变化的情况下实现人物重新识别,通过在训练期间利用辅助信息同时利用原始数据和辅助数据来完成度量学习,可以用于单视角和多视角任务
Apr, 2019
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
本文提出了一个端对端深度神经网络,用于同时学习高级特征和相应的相似性度量,用于人物再识别。我们的方法通过 10 个加权层和非常小的卷积过滤器提高了相似度测量的准确性,在 CUHK03 和 Market-1501 等数据集上一致优于现有算法。
Jan, 2016