学习判别性的零空间用于人员再识别
本研究提出了一种自学习子空间学习方法,可以将有标签数据与无标签数据相结合以实现人员再识别,并采用多内核嵌入策略来处理人的外观非线性变化,实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。
Apr, 2017
本文提出了一种新的模型,可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段,从而可以计算可靠的时空和外观特征,同时学习用于人员重识别的视频排名功能。
Jan, 2016
本文提出了一种名为 NK3ML 的新颖度量学习框架,它有效地解决了人员重新识别中固有的小样本问题,并比现有的最先进方法提供了显着的性能提升。通过利用特征空间的非常高维度,使用最大边界标准(MMC)在具有区别性的零空间上学习度量,其中给定类别的所有训练样本点都映射到单个点上,最小化类内散射。使用 MMC 的内核版本以获得更好的类间分离。针对四个具有挑战性的人员重新识别基准数据集进行的大量实验表明,该算法优于所有现有方法。在最广泛接受且具有挑战性的 VIPeR 数据集上,我们的方法取得了 99.8%的排名 1 准确度,而先前的最新技术仅为 63.92%。
Jul, 2018
本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数,利用一定的局部样本来挖掘适当的正例,以提高深度嵌入的性能,并在训练过程中学习一种深度相似性距离度量,以此来增加像素级的区分度,并处理掉行人图像中的复杂性因素,本方法在基准测试数据集上取得了最好的性能表现。
Jun, 2017
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
本文提出了一种基于 Identity Regression Space 的方法,通过增量学习和快速更新模型,使得人员再识别方法具有更好的可扩展性和适应性,并通过实验验证在多个数据集上表现优秀 。
Jun, 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
本文提出了一个新颖的人物再识别系统,它结合了张量特征表示和多线性子空间学习。该方法利用预训练的卷积神经网络作为强大的深度特征提取器,结合局部最大出现(LOMO)和高斯特征(GOG)两种互补描述符。然后,使用基于张量的跨视图二次判别分析(TXQDA)来学习增强不同个体之间可分性的子空间。马氏距离用于查询样本和库样本之间的匹配和相似度计算。最后,我们通过在 VIPeR、GRID 和 PRID450s 三个数据集上进行实验来评估我们的方法。
Dec, 2023
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
本文介绍了一种基于 CNN 的方法,通过约束权重来学习具有良好鲁棒性的判别度量,其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层,通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。
Nov, 2015