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。
Apr, 2016
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
本文提出了一种新颖的特征学习框架,用于视频中的人物再辨识,主要利用视频序列中的适当时间信息和解决运动行人的空间对齐问题,并设计了一个时间残差学习(TRL)模块和一个空间-时间转换器网络(ST^2N)模块。经过广泛实验验证,提出的方法在各大数据集上都取得了一致优秀的表现,并超越了绝大多数最新的最先进方法。
Feb, 2018
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
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
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
本文提出一种基于视频序列的人物再识别方法,通过Refining Recurrent Unit和Spatial-Temporal clues Integration Module来更好地表达视频序列中的空间和时间信息,并且采用了多层次训练目标来增强算法的性能。实验结果表明,该方法在iLIDS-VID和MARS数据集上优于现有的最先进方法,并在PRID-2011上取得了良好的结果。
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
本研究提出一种深度耦合的卷积-Transformer框架用于高性能视频人员重识别,包括特征提取、空间互补学习、时间互补学习以及自蒸馏训练策略,并取得了更好的性能。
Apr, 2023
提出了一种名为长短期表示学习(LSTRL)的新型深度学习框架,通过多粒度外观提取器(MAE)和双向运动估计器(BME)有效地提取长期和短期信息,显著改善了视频行人重新识别(V-ReID)的特征表示能力。实验证明,该方法在三个广泛使用的基准测试上表现出更好的性能。
Aug, 2023