一种增强的深度特征表示方法用于人员再识别
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
本研究提出了一种简单而有效的前景注意力神经网络(FANN),通过引入前景针对子网和特征融合子网学习判别性特征表示来解决人员再识别问题,在多任务学习框架中训练 FANN,可以学习到一种判别性特征表示,能够在各种候选项中寻找与每个探针匹配的参考值。与最先进的方法相比,该方法在多个公共基准数据集上都显示出明显的改进。
Jul, 2018
本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别(PRe-ID)系统,该方法利用预训练的 CNN 进行高级特征提取,结合局部极大出现(LOMO)和高斯之高斯(GOG)描述符。此外,使用跨视图二次判别分析(TXQDA)算法进行多线性子空间学习,在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。
Dec, 2023
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
本文提出并应用谱聚类技术到卷积神经网络中,形成了一种新的模块 Spectral Feature Transformation,以此提升基于深度学习的 person re-identification 的性能,实验证明该方法在多个测试数据集上优于现有的其他方法。
Nov, 2018
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
本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量,采用深度卷积网络和循环神经网络进行时间序列建模和度量学习,通过时间汇聚产生整体特征表示,在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。
Jun, 2016
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
本文提出一种基于 LSTM 网络的逐步 / 顺序融合框架的人物重新识别方法,利用一系列追踪人体区域 / 补丁的全局判别特征表示产生序列级别的高度区分人类特征表示,并在两个人物重新识别基准测试上取得了良好的效果
Jan, 2017
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