自适应部件的属性识别
本文介绍了一种新的人物属性检测方法,利用属性检测来生成相应的局部检测器,提取局部特征来解决人物再识别中的身体部分不对齐问题,并将属性信息与局部描述符相结合以消除检测偏差带来的干扰。该模型在两种常用基准测试上表现良好。
Feb, 2019
通过开发深度 Poselets 的部分检测器,我们设计了一种基于部分的方法,用于 Action 和属性分类的任务,并通过训练综合卷积神经网络,证明了添加身体部位对于两个任务都能带来最好的结果。
Dec, 2014
这篇论文引入了一种称为 Concept Sharing Network(CSN)的方法,通过从具有标签的训练数据中学习部件位置和外观模式,能够识别很少有或没有训练数据的部件属性,并在 CUB-200-2011、CelebA、以及人类属性数据集上进行广泛实验来证明其有效性和优势,特别是在具有少量训练样本的情况下。
Aug, 2019
本文介绍结合人类先验知识和端到端学习以提高深度神经网络的鲁棒性,并引入了一种面向目标分类的基于部件的模型,相较于基准模型 ResNet-50,我们的基于部件的模型在三种数据集上实验表明都具有更高的准确性和更高的适应性。
Sep, 2022
本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题,其中使用最大池化的弱监督目标检测技术来训练属性特征图,并通过检测响应大小的回归来预测属性标签,通过对检测层激活图的融合加权聚类,可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。
Nov, 2016
该研究通过属性指导下的注意力定位方案设计新的奖励策略,使用强化学习算法定位具有空间和语义区别的局部特征区域,从而在精细识别和属性识别方面超越了传统基于部件的方法。
May, 2016
本文提出了一个级联网络,同时学习了特定属性的面部区域定位和无需对齐的属性分类,使用多网路学习方法和基于提示的模型压缩进一步提高了模型性能。在未对齐的 CelebA 数据集上,与最先进的方法相比,分类错误率降低了 30.9%。
Sep, 2017
提出适用于行人属性识别的属性定位模块 (ALM),以自适应方式发现最具有区分性的区域并学习每个属性的区域特征,并引入特征金字塔架构以实现低水平的属性特定局部化。
Oct, 2019
通过设计新颖的属性感知池化算法,本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题,充分利用不同属性之间的相关性解决多属性分类的挑战,并在基准数据集上进行了实验验证。
Jul, 2019