CVPRApr, 2016

基于视频的顶部压缩人员再识别

PDF
TL;DR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。
person re-identificationvideo-based representationtop-push distance learning modelfeature selectiondiscriminative features
发现论文，激发创造
  • 无监督视频匹配的个体再识别

    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

  • 视频排名中基于判别性选择的人员再识别

    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

  • 人物再识别：过去、现在和未来

    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

  • 基于 3D 卷积网络和非局部注意力的基于视频的人员再识别

    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

  • 视频人员再识别的自适应图表示学习

    提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

    Sep, 2019

  • 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

  • 多尺度深度学习架构用于人员再识别

    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

  • 时空人员再识别

    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

  • 针对个体再识别的时间模型适应

    本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。

    Jul, 2016

  • 基于关键点消息传递的视频行人重识别

    本文提出了一种基于人体关节特征的人物重识别方法，通过采用图卷积网络与卷积神经网络相结合的方式解决了运动带来的误差问题。在 MARS 数据集和 PoseTrackReID 数据集上，该方法在 top-1 准确性和平均精度方面均优于前人工作，定义了新的最先进方法。

    Nov, 2021