Mar, 2017

基于深度的鲁棒性人员再识别

PDF
TL;DR该研究提出了一种基于深度信息的人物重识别方法，利用深度数据提取人体骨架和形状特征，进而提出了一种具有旋转不变性的 Eigen-depth 特征描述符，并通过基于核技术的隐式特征转换方法在缺少深度数据时估算特征。实验结果表明，该方法可以在改善外观特征因光照和相似服饰引起的视觉混淆问题上取得较好的效果。
person re-identificationdepth informationcovariance descriptoreigen-depth featurekernelized implicit feature transfer
发现论文，激发创造
  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 基于 LiDAR 的人员重识别

    利用预训练策略检索 3D 人体形状特征，引入基于图形的补充增强编码器提取全面特征的 LiDAR 感知的人物再识别（ReID）框架，构建了首个 LiDAR 感知的人物 ReID 数据集 LReID 以及用于预训练编码器的模拟行人数据集 LReID-sync，并在 LReID 上进行了大量实验，表现出 94.0 的排名 1 准确率，突显了 LiDAR 在解决人物 ReID 任务中的重要潜力。

    Dec, 2023

  • 学习人物再识别不变色彩特征

    本文提出一种基于数据驱动的方法学习跨多个相机视图的人物再识别，通过联合学习线性变换和字典编码像素值，并使用颜色作为唯一线索，在多个颜色空间中进行比较，取得了优于其他方法的结果。

    Oct, 2014

  • 局部样本分布的深度自适应特征嵌入在个体识别中的应用

    本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

    Jun, 2017

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 基于方向的外观字典方法用于人员再识别

    该研究提出了一种基于人体结构的特征表示方法，并将其应用于人员再识别领域，以提高识别性能，实验结果表明该方法的有效性。

    May, 2016

  • 视频排名中基于判别性选择的人员再识别

    本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

    Jan, 2016

  • 可见光 - 红外跨模态人员再识别的高效框架

    本论文提出了一种四流框架，通过深度卷积神经网络中不同的输入图像表示来学习不同的特征，从而改善可见光 - 红外人员重识别系统的性能。实验结果表明，该框架在多个数据集上优于当前最先进的方法。

    Jul, 2019

  • 基于视频的顶部压缩人员再识别

    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

  • 单图像深度预测使特征匹配更易

    本论文提出了一种有效提取局部特征的方法，使用基于 CNN 的深度图像，对图像进行预处理和透视校正，以增强 SIFT 和 BRISK 特征的匹配，从而提高 3D 重新定位和多视角重建的鲁棒性。

    Aug, 2020