Jun, 2016

基于深度循环卷积网络的视频行人再识别：一种端到端的方法

PDF
TL;DR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。
发现论文，激发创造
  • 重新审视基于视频的人员再识别的时间建模

    该文综合研究和比较了视频人员重识别的四种不同的时间建模方法，包括时间汇聚，时间关注，RNN 和 3D 卷积神经网络，并提出了一个采用时间卷积的注意力生成网络，用于在帧之间提取时间信息。在 MARS 数据集上进行评估，并通过一大部分超越了最新技术的方法。

    May, 2018

  • 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

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

    Aug, 2018

  • PersonNet: 使用深度卷积神经网络进行人员再识别

    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

  • 3D PersonVLAD: 学习深度全局表示进行基于视频的人员再识别

    本研究提出了一种全局视频表示法，用于基于视频的人员重新识别，并通过 3D PersonVLAD 模型中的全局视频表示法，结合 3D ConvNets 和 3D 局部对齐模块来捕捉全长视频中的外观和运动动态，最终取得了最先进的结果。

    Dec, 2018

  • 基于多尺度 3D 卷积神经网络的视频行人再识别

    本文提出了一种两流卷积网络，用于提取视频中的时空线索以进行基于视频的人员再识别，其中一种流构建为通过将几个多尺度 3D 卷积层插入 2D CNN 网络而构成的暂时流，另一种流则由 2D CNN 实现以进行空间特征提取，并将两个流的空间和时间特征最终融合，经过广泛使用的基准数据集 MARS、PRID2011 和 iLIDS-VID 的评估表明，我们的方法具有优于现有 3D 卷积网络和现有技术的优秀性能。

    Nov, 2018

  • 基于相对距离比较的深层特征学习用于人员再识别

    本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架，用于处理智能视频监控中的人员再识别问题，并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。

    Dec, 2015

  • 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

  • 视频人员再识别的紧凑外貌表示学习

    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

  • 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