深度联合学习多损失分类的个体重识别
本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架,以学习多个通道组的判别式全局特征,并证明了其在准确性和推理速度方面优于现有技术水平。
Sep, 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
本文旨在探讨如何将卷积神经网络的不同特性相融合,提高行人识别任务中的性能,并提出了一个新型的任务学习框架,取得了当前公开基准数据集上的最佳表现,并且还证明了这个框架能够适用于图像检索任务。
Nov, 2016
本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法,可以在多个数据集上有效地解决视频监控中的人员重识别问题,并且相较于现有的人员重识别方法具有更好的性能表现。
Jul, 2017
本研究提出了一种新的人物再识别关系网络,考虑了个体身体部位之间以及部位与其他部位之间的相互关系,有效提高了特征辨别能力,同时使用全局对比池化方法获取人物图像的全局特征,该方法已在多个数据集上实证表明其优越性。
Nov, 2019
本文提出了一种非线性局部度量学习方法(NLML),利用局部度量学习和深度神经网络的优点来学习多组非线性转换,通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界,从而有效地利用识别信息,本文通过在公共数据集上进行实验,证明了该方法在人物重新识别方面取得了最先进的结果。
Nov, 2015
本研究提出了一种利用自然语言描述作为附加训练监督的方法来有效地学习视觉特征。通过建立全局和局部图像 - 语言关联来实现语义一致性,该方法不仅能够学习更好的全局视觉特征,还能够强制对局部视觉和语言特征进行语义一致性的限制,从而实现了对于特定个体较为紧凑和语义的描述。在实验中,我们证明了语言作为训练监督在两种关联方案下具有有效性,并且在不使用任何辅助信息的情况下实现了最新的技术性能,比其他图像 - 语言交互的联合嵌入方法表现更出色。
Aug, 2018
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
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