基于相机相关特征增强的人员再识别
本文提出了一种新的基于软注意力的模型,即端到端比较注意网络(CAN),专门用于人员重新识别任务,该模型能够在几个瞥见后选择性地关注人的不同部位,学会哪些图像部位与识别相关,并自动整合不同部位的信息来确定两个图像是否属于同一个人,并在三个基准人员重新识别数据集上实现了最优性能。
Jun, 2016
本研究提出一种基于深度学习和自动原型域发现的人员再识别方法,该方法具有自适应的学习能力和模型选择能力,可以自动选择最接近的原型域模型进行再识别,无需监督或非监督域自适应学习。实验证明,该方法优于当前大多数监督和非监督方法。
Oct, 2016
本文提出了一种基于深度共同关注的比较器(DCCs),以克服现有人物重新识别方法在相互独立的图像区域上检测最相关的部分以及在比较相似性时的空间操作等限制,用于在行人图像对之间寻找相关特征并动态生成相对表示,提高了行人重新识别的效率和准确性。实验结果表明,该方法在三个基准数据集上均取得了最先进的性能。
Apr, 2018
提出了一种名为DEep Clustering-based Asymmetric MEtric Learning (DECAMEL)的无监督学习框架,该框架基于交叉视图聚类学习不对称距离度量,并将其嵌入深度神经网络中,学习跨视图群集结构,以解决Person re-identification无监督学习中的视图特定偏差的问题,实验表明该框架具有较好的效果。
Jan, 2019
本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架,通过解决数据分布差异、标记信息缺乏等问题,采用相机感知域自适应和在线三元捆绑等方法,实现了针对人物再识别特征的优化和提取,并在基准数据集上进行了实验和消融研究,展现了其卓越性能和有趣的属性。
Apr, 2019
本文提出了自适应探索 (AE) 方法,以解决针对个人再辨识(re-ID)的领域偏见问题。该方法利用特征记忆的非参数分类器,通过最大化所有人物图像之间的距离和最小化相似人物图像之间的距离,在目标领域对re-ID模型进行归纳。
Jul, 2019
本文介绍了人物重识别技术在深度学习方面的应用,提出了封闭式和开放式两种应用场景,并且详细分析了两种场景下的数据集、算法和评估指标。最后,设计了一个有效的基线系统,并提出了一个新的评估指标,同时探讨了未来的研究方向。
Jan, 2020
本文通过对2015年至2021年间230多份文献的系统调查,首次综合性地回顾了针对各种视觉挑战的人员重新识别 (person re-identification) 方法,分析了当前方法的优缺点,提出了未来研究的发展方向。
Feb, 2022
提出了一种新的数据增强方法Diff-ID,通过稀疏和少数样本中的人体姿势和相机视角,改善了现有训练数据集的多样性和可扩展性,增强了人物重新识别模型的泛化能力。通过使用SMPL模型捕捉所需的人体姿势和相机视角,生成具有多样的姿势和视角的逼真图像,从而减少了人体姿势偏差,并改善了Re-ID模型的通用性。
Jun, 2024