基于部件的深度哈希用于大规模人员再识别
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
本文提出了一种针对人员重新识别问题的方法,即利用人体部分对齐表示以应对身体部位不对齐问题,并通过深度神经网络学习三个步骤,以最小化三元组损失函数来进行学习,这种方法可以更好地应对姿态变化和不同的空间分布情况,并在标准数据集上展现出最优结果。
Jul, 2017
该研究提出了一种名为 Deep-Person 的三分支框架,利用 LSTM 建模行人身体从头到脚的序列,提高局部特征的鉴别能力以及同时学习了鉴别嵌入和相似度测量。实验证明该框架在市场 - 1501,CUHK03 和 DukeMTMC-reID 等三个数据集上,超过了现有的最先进方法,单次查询设置下市场 - 1501 的 mAP 达到了 90.84%。
Nov, 2017
本研究提出一种基于结构风险最小化的深度表示学习方法,同时考虑了经验分类风险和表示学习风险,使用自动生成的图像部分计算人的分类损失,可以更好地聚焦于整个人体,学习出不同部分的区别性表示。三个数据集上的实验证明了该方法的有效性。
Jul, 2017
通过提出的 Horizontal Pyramid Matching 方法,我们可以在一定程度上减缓由于缺失身体部位而出现的识别失败情况,通过对不同的部分进行分类来增强各个人物部位的辨别能力,在全局和局部方面运用平均和最大池化策略来区分不同的人物信息,并在三个流行的基准测试中分别获得马记得 1501,DukeMTMC-ReID 和 CUHK03 的 mAP 分别为 83.1%,74.5%和 59.7%,从而达到新的最佳水平。
Apr, 2018
本文提出了一种名为 Part-based Hierarchical Graph Convolutional Network(PH-GCN)的深度学习框架,用于人物重识别问题。通过信息交互,PH-GCN 在全局、局部和结构特征学习上同时进行,提高了 Re-ID 的效果。
Jul, 2019
本研究提出了一种监督学习框架,直接从原始图像中生成紧凑且可扩展的哈希编码,通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界,并同时优化图像特征和哈希函数,从而在实际应用中更具有灵活性和更高的性能。
Aug, 2015
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
深度优先哈希(DPH)是一种基于贝叶斯学习框架的端到端体系结构,其通过重新调整标准交叉熵损失来优先处理训练数据中的不确定对,以生成高质量的哈希码,并在 ImageNet、NUS-WIDE 和 MS-COCO 三个数据集上取得了最先进的图像检索结果。
Sep, 2018
本文提出了一种基于完全卷积神经网络的快速准确的匹配方法,结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题,并在多个数据集上进行的实验证明了该方法的有效性和效率。
Jan, 2018