行人属性识别的丰富注释数据集
提出两个现实数据集 PETA 和 RAPv2,通过解决行人属性识别中固有属性不平衡问题,提出高效方法进一步提高性能,实验证明该方法优越性并取得最先进的性能。
May, 2020
该论文对行人属性识别的现状进行了回顾和思考,并提出了两个根据零样本设置构建的数据集 PETA extsubscript {$ZS$} 和 RAP extsubscript {$ZS$},介绍了多个用于未来评估的真实准则,还重新实现了现有的最新方法,并引入了一个强大的基准方法,以在现有数据集和两个提议的数据集上进行实验,以测量行人属性识别的进展。
Jul, 2021
本文介绍了一种利用周围的行人图像 context,比传统的基于 SVM 方法更好地推断行人属性的方法,并通过我们新发布的行人属性数据集进行实验评估背景和前景特征对属性识别的相关性。
Jan, 2015
本文提出了一种基于元学习的方法,以解决行人属性识别中存在的增量 few-shot 学习情形,实验表明该方法在 PETA 和 RAP 基准数据集上取得了具有竞争力的性能和低资源需求。
Jun, 2019
介绍了一种新的数据集 WiderPerson,用于解决现有行人检测数据集缺少多样性和密度的问题,并提出了改进的 Faster R-CNN 和 RetinaNet 模型作为基准。在 Caltech-USA 和 CityPersons 等数据集上进行实验,证明该数据集可以有效提高模型的泛化能力,但需要加强对分类能力的改进以降低误报率和漏报率。
Sep, 2019
针对密集环境下行人检测中存在的遮挡和高度拥挤等问题,本文提出了一种基于属性感知的行人检测器,采用深度学习框架,利用属性特征进行检测和区分,引入了基于属性特征的非极大值抑制,设计了一种新的数据集以缓解训练过程中的困难,实验表明该方法在行人检测方面优于目前的最新方法。
Oct, 2019
本研究提出了一种基于视频的多任务模型与时间注意策略相结合的新网络结构,解决行人属性识别方面的挑战。同时,本文还公开发布了两个新的大规模视频数据集,用于展示该方法的有效性。
Jan, 2019
本文介绍了一个基于端到端学习框架的人行属性推断方法,将其作为多标签图像分类任务,以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。
Jul, 2017