多区域双线性卷积神经网络用于人员再识别
研究通过利用卷积神经网络的新架构 —— 双线性 CNN (B-CNN),在 IARPA Janus 基准测试集上进行面部识别,实现了额外的性能提升,并将标准 CNN 与 VGG-Face 模型进行比较。
Jun, 2015
该论文提出了一种称为 Bilinear 卷积神经网络(B-CNNs)的神经网络模型,通过使用两个卷积神经网络所提取的特征的外积计算来表示图像,并以平移不变的方式捕捉局部特征交互,并在多项图像分类数据集上展示了其在识别精度和速度等方面的优越性。
Apr, 2015
本文提出了一种新的网络,通过两个流对人体的外观特征和身体部位特征进行提取,使用双线性池化层生成和空间池化对齐后的部分特征图,从而有效地解决了人体部位错位问题,并且在不需要对其进行任何标注的情况下对整个网络进行训练。
Apr, 2018
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
本文旨在探讨如何将卷积神经网络的不同特性相融合,提高行人识别任务中的性能,并提出了一个新型的任务学习框架,取得了当前公开基准数据集上的最佳表现,并且还证明了这个框架能够适用于图像检索任务。
Nov, 2016
本文介绍了使用多个卷积神经网络的视频人物重新识别的新方法,利用步态对连续帧进行筛选选取代表帧,利用特征池化提取特征进行身份鉴定的紧凑描述,实验证明该方法比现有方法更优。
Feb, 2017
本文研究了使用简单但强大的全局特征基线进行人物再识别,通过收集和评估有效的训练技巧,并将其结合,提出了一种名为 BNNeck 的新型颈部结构,将度量和分类损失分成两个不同的特征空间,从而提高了现有方法的性能。
Jun, 2019
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
本研究提出 Auto-ReID 算法,利用检索式搜索算法设计一个适用于特定的 Person re-identification 任务的卷积神经网络,通过神经架构搜索技术实现自动构建,实验证明与其他算法相比,减少了 50% 的网络参数和 53% 的计算量。
Mar, 2019
本文提出了基于三元组卷积神经网络的深度相似性学习框架,采用多数据集训练和双重采样方案,实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。
Feb, 2018