CVPRApr, 2016

人员搜索的联合检测和身份识别特征学习

PDF
TL;DR提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。
person searchdeep learningconvolutional neural networkonline instance matchingbenchmark dataset
发现论文，激发创造
  • 端到端人员检索和重新识别集成网络

    本文提出了一种行人检测和重新识别（re-id）集成网络（I-Net），用于实现端到端学习框架，以在实际视频监控场景中搜索目标人员，展示了其在人物搜索数据集上优越的性能。

    Apr, 2018

  • OIMNet++: 基于原型归一化和定位感知的人员搜索学习

    该研究提出了 OIMNet++ 用于人员搜索，此方法采用 ProtoNorm 进行标定和 L2 正则化的人员特征表示以具有更好的可识别性，同时引入了一个定位感知的特征学习方案，以更好地对齐提案并增强判别性别表示。

    Jul, 2022

  • 大规模人员再识别的行人对齐网络

    该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。

    Jul, 2017

  • 基于 Re-ID 的行人搜索定位细化技术

    本研究提出了一种基于 re-ID 驱动的定位精化框架，通过可微的 ROI 转换层有效地转换原始图像中的边界框，实现对检测框的监督，从而提高行人搜索的效果。实验结果显示，该方法在常用的基准测试中对比现有方法表现明显更好。

    Sep, 2019

  • 人物检索的上下文图学习

    本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

    Apr, 2019

  • 深度联合学习多损失分类的个体重识别

    本文提出了一种使用 CNN 联合学习局部和全局特征的方法，用于重新识别目标，实现了对多任务的优化，通过优化多任务的联合损失函数，达到一种损失函数的平衡，该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。

    May, 2017

  • 基于掩码引导的双流 CNN 模型的人体搜索

    本文提出了一种基于前景分割的人物搜索方法，将对象检测和人物重识别模型分离，使用两个不同的 CNN 来分别提取主体和原始图像的特征，并在 CUHK-SYSU 和 PRW 两个公认的基准测试中实现了比现有方法高 5pp 以上的 mAP 值，效果显著。

    Jul, 2018

  • 使用卷积神经网络实现结构化深度哈希，以便快速进行人员再识别

    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

  • 基于大适应边际学习的深度排名模型用于人员再识别

    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

  • 通过联合表示学习实现的人员再识别深度排名

    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