人物再识别的判别式学习卷积神经网络嵌入

Nov, 2016

人物再识别的判别式学习卷积神经网络嵌入

A Discriminatively Learned CNN Embedding for Person Re-identification

Zhedong Zheng, Liang Zheng, Yi Yang

TL;DR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。

Abstract

We revisit two popular convolutional neural networks (CNN) in person re-identification (re-ID), i.e, verification and classification models. The two models have their respective advantages and limitations due to different loss functions. In this paper, we shed light on how to combine t

convolutional neural networks person re-identification siamese network discriminative embedding image retrieval

发现论文，激发创造

基于三元组的深度相似性学习用于人员再识别

本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

Feb, 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

深度联合学习多损失分类的个体重识别

本文提出了一种使用 CNN 联合学习局部和全局特征的方法，用于重新识别目标，实现了对多任务的优化，通过优化多任务的联合损失函数，达到一种损失函数的平衡，该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。

May, 2017

基于门控连体卷积神经网络的人体再识别架构

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。

Jul, 2016

人员重识别的联合判别和生成学习

本文提出了一个联合学习框架，将 Re-ID 学习和数据生成端到端地耦合在一起，通过生成高质量的跨 ID 组合图像来提高鉴别模块的性能，该框架在多个基准数据集上达到了最先进的性能表现。

Apr, 2019

人员重新识别的支持邻居损失算法

提出了一种新的支持邻居损失函数来解决 Person re-identification 中验证损失和标识损失方法的限制和局限，该方法基于每个锚样本的正和负支持邻居集合进行计算，并使用 softmax 函数将正和负支持集合分隔开。将该损失函数与 Resnet50 相结合在多个广泛使用的数据集上，得到了比现有技术更优秀的 Person re-identification 的结果。

Aug, 2018

Deep-Person: 为人物再识别学习辨别性深度特征

该研究提出了一种名为 Deep-Person 的三分支框架，利用 LSTM 建模行人身体从头到脚的序列，提高局部特征的鉴别能力以及同时学习了鉴别嵌入和相似度测量。实验证明该框架在市场 - 1501，CUHK03 和 DukeMTMC-reID 等三个数据集上，超过了现有的最先进方法，单次查询设置下市场 - 1501 的 mAP 达到了 90.84％。

Nov, 2017

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

多尺度资源感知人员重新识别

本研究提出了一种个体重新识别模型，该模型结合了在多个卷积网络层上构建的有效嵌入，采用了深度监督技术进行训练，能够在资源受限情况下有效地权衡准确性和计算性能。在传统的重新识别基准测试中，我们的方法在所有五个数据集上都明显优于以前的最新结果。

May, 2018

人员再识别的有约束深度度量学习

本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

Nov, 2015