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。
Jun, 2016
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
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
论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法,可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像,成功地在 CUHK01,CUHK03 和 Market 1501 数据集上超越了现有的先进方法。
Jul, 2017
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
该研究使用学习到的视频片段相似度聚合函数,以筛选出更具信息量的片段对,结合使用 3D CNNs 以及 RGB 输入,对三个具有挑战性的公开基准进行定量和定性验证,表现出更好或相当的性能。
Oct, 2019
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
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
为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题,提出了一个半监督属性学习框架,该框架由三个阶段组成,并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量,取得了出乎意料的好效果,在度量学习模块的帮助下,显著优于许多最近的工作。
May, 2016
本文提出 Feature Fusion Net 模型,使用手工制作的直方图和纹理特征,能够与卷积神经网络 (CNN) 特征互补,可以得到一个更具区分性和紧凑的深度特征表示,并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。
Apr, 2016