基于门控连体卷积神经网络的人体再识别架构

ECCVJul, 2016

基于门控连体卷积神经网络的人体再识别架构

Gated Siamese Convolutional Neural Network Architecture for Human Re-Identification

Rahul Rama Varior, Mrinal Haloi, Gang Wang

TL;DR本文提出了一种用于跨摄像头匹配行人的人体再识别框架，通过引入一个选择性强化细粒度共有的局部模式的门控函数，将同一身份的图像向量嵌入到特征空间中更密集的区域，提高了再识别的性能。在 CUHK03、Market-1501 和 VIPeR 数据集上的实验证明，与基线 Siamese CNN 架构相比，该框架表现更优。

Abstract

Matching pedestrians across multiple camera views, known as human re-identification, is a challenging research problem that has numerous applications in visual surveillance. With the resurgence of Convolutional Neural Networks (CNNs), several end-to-end deep siamese cnn architectures h

human re-identification convolutional neural networks deep siamese cnn architectures gating function mid-level features

发现论文，激发创造

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

一种用于人物再识别的孪生长短时记忆体架构

本文提出了一种新颖的孪生 LSTM 结构，可以顺序地处理图像区域，并通过利用上下文信息增强局部特征表示的区分能力，有效地解决了多个摄像头视图下的行人匹配问题，取得了与最先进方法相媲美的良好效果，为视觉监控领域的研究提供了新思路。

Jul, 2016

人物再识别的判别式学习卷积神经网络嵌入

本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

Nov, 2016

跟踪学习：用孪生卷积神经网络进行强健的目标关联

本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

Apr, 2016

一致关注孪生网络进行重新识别

本论文提出了一个用于人物再识别的深度学习网络 ——Consistent Attentive Siamese Network。该网络通过学习获得空间物体特征，使得对于跨视图的图像匹配具有鲁棒性，并展现了在保证同一身份图像的一致性的情况下，尽可能的利用图像内容进行监督与特征提取的方法，从而获得了具备解释性的预测能力。在 CUHK03-NP、DukeMTMC-ReID 和 Market-1501 数据集上进行的实验表明，该网络具有竞争力的性能表现。

Nov, 2018

多层相似度实现高效深度人员再辨识

本文提出基于多层级相似度计算的、高效的全卷积 Siamese 网络，使用卷积层、空间变形网络和深度可分离卷积等技术，在 Person Re-Identification 问题上实现有效的结果。

Mar, 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

动物个体再识别的相似度学习网络 —— 超越人类观察者的能力

展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。

Feb, 2019

基于 Siamese 网络的深度学习人脸识别方法

通过使用对比网络的方法，在没有标记的人脸图像的情况下，实现了接近监督基准的性能。

Dec, 2023

学习视角特定的深度网络进行人员再识别

本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018