本文提出了一种基于时间序列的视频人员重识别方法,可以准确地匹配任意不对齐的图像序列中的人,无需标记的成对数据,并通过引入时间移动动态时间扭曲 (TS-DTW) 模型实现自动对齐、数据选择和匹配。
Nov, 2016
这篇论文对于人员再识别技术进行了全面的评估和表现评估,并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库,使用 17 个不同的数据集进行了评估,旨在为这个领域提供公开、准确、全面的基准。
May, 2016
本研究提出了一种新的人物再识别(re-id)距离度量学习方法,通过匹配训练数据的判别式空间来克服小样本问题,并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。
Mar, 2016
提出一种基于视频特征的人员再识别框架,通过引入 top-push 约束来优化匹配度量,以便更有效地选择区分不同人的特征。实验结果表明,该方法在视频再识别中优于现有的技术。
Apr, 2016
本研究提出了一种新的两流空间 - 时间人物重新识别(st-ReID)框架,该框架挖掘了视觉语义信息和空间 - 时间信息,引入 Logistic Smoothing(LS)联合相似性度量,使用快速直方图 - Parzen(HP)方法近似复杂的空间 - 时间概率分布,消除了很多无关图像,在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性,进步幅度达到了先前方法的很大程度。
Dec, 2018
本篇研究提出了一种新的多尺度深度学习模型,能够在不同尺度上学习深度的区分特征,并自动确定最适合匹配的尺度,明确地学习不同空间位置提取区分特征的重要性,实验证明该模型在多项基准测试中优于现有技术。
Sep, 2017
这篇文章介绍了人员再识别技术及其发展历史,对手工算法和深度学习算法在画面和视频再识别任务中的表现进行了概述,描述了未来方向和需要提高的问题。
Oct, 2016
本研究旨在解决视频行人重新识别中的空间对齐问题和时间依赖性问题,提出了一种使用 3D 卷积和非局部块进行特征聚合的网络架构,实验结果表明该方法在多个指标上的性能均优于现有技术。
Jul, 2018
本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性,并以三个数据集为基准测试了四种方法,提供指南以帮助未来设计更好的人物重新识别流水线。
Dec, 2022
本文提出了一种基于 STMN 的新型人员 reID 方法,通过存储频繁出现在视频帧中的空间干扰和优化人员视频的典型时间模式的注意力,实现了对人员视频中的空间和时间干扰的有效处理。
Aug, 2021