Mar, 2017

通过属性和身份学习提高人物再识别能力

PDF
TL;DR提出了一种基于属性标签和 ID 标签互补的 Attribute-Person Recognition（APR）网络，该网络是一个多任务网络，可以学习重新识别嵌入并同时预测行人属性，通过在两个大规模数据集上进行人物重新识别与属性识别的实验，实验结果表明，APR 实现了与现有方法相当的人物重新识别性能，并可用于属性识别任务并提出了改进方法。
person re-identificationattribute recognitionpedestrian descriptionsdiscriminative feature representationsmulti-task network
发现论文，激发创造
  • 从多模态信息指导中学习可转移的行人表示

    本文提出了一种学习可迁移表示以增强各种行人分析任务的新框架 VAL-PAT，并介绍了三个学习目标：自监督对比学习、图像文本对比学习和多属性分类。该框架在无标签人员图像的预训练下实现了良好的性能，并扩展到各种行人分析任务。

    Apr, 2023

  • 人物再识别中的属性辅助部位检测与细化

    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

  • 基于属性的人员再识别的实证研究

    本文通过属性 - based 方法进行人物再识别，探讨了高精度专家属性与普通人属性的差异及影响，发现非专家属性更能反映当前使用属性 - based 方法进行人物再识别的情况。

    Jan, 2020

  • AaP-ReID: 改进的注意力感知人员再识别

    对于人物重新识别的挑战，本研究以在图像库中识别特定个体为主要目标，改进了现有的重新识别方法，并提出了 AaP-ReID，一种将通道注意力融入 ResNet 架构的人物重新识别更有效的方法。经过在三个基准数据集上的评估，相较于现有方法，在 Market-1501 上达到 95.6% 的准确率，DukeMTMC-reID 上达到 90.6% 的准确率，并在 CUHK03 上达到 82.4% 的准确率。

    Sep, 2023

  • 基于深度属性的多摄像头行人重新识别

    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

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

    Dec, 2022

  • 移动边缘云中基于实时分布式推理的身份感知属性识别

    本文提出了一种基于移动边缘云的行人属性识别和人员重识别模型，并研究了 MEC 网络中的分布式推断问题，评估结果表明，所提出的算法在准确性和延迟方面都有很大提高。

    Aug, 2020

  • AANet：人物再识别中的属性注意力网络

    本文提出了一种新的人物再识别（re-ID）网络架构 Attribute Attention Network（AANet），该架构将人物属性和属性注意力图集成到分类框架中，并通过估计单个属性的类响应并将它们组合形成属性注意力图（AAM），来实现强大的判别性表示。在 DukeMTMC-reID 数据集上，相比使用 ResNet-50 的最佳前沿方法 arXiv:1711.09349v3 [cs.CV]，AANet 在 mAP 和 Rank-1 精度上分别超过 3.36% 和 3.12%；在重排后的 Market1501 数据集上，AANet 在 mAP 和 Rank-1 精度上分别达到 92.38% 和 95.10%，相对于另一种使用 ResNet-152 的最佳前沿方法 arXiv:1804.00216v1 [cs.CV]，精度分别超过 1.42% 和 0.47%。此外，AANet 还可以执行人物属性预测，并在查询图像中定位属性。

    Dec, 2019

  • 将语义表示进行转移，用于人员再识别和搜索

    本文提出了一种新的基于语义属性学习的人物再辨识和搜索方法，并将其在弱或强标记的时尚摄影数据集上进行训练，进而提供一种强大的用于检测和描述监控人员的语义表达，无需任何监控领域监督，并且已达到最先进的性能，在无监督和监督人物重新辨识中均取得了最先进的性能。此外，作为一种语义表达，它将允许在同一框架内集成基于描述的人员搜索。

    Jun, 2017

  • 可迁移的联合属性身份深度学习用于无监督个人重新识别

    本文提出了一种新的基于深度学习的 Transferable Joint Attribute-Identity Deep Learning (TJ-AIDL) 模型，可在目标域中进行无监督的 person re-id，并不需要目标领域中新的标签数据收集，模型在四个基准测试中表现优于当前最新的方法。

    Mar, 2018