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
本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上,通过度量权重约束来改进学习,从而使学习到的度量具有更好的通用性。实验表明,这两种策略能够有效地学习到鲁棒的深度度量,并且相应地,我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此,本文提出的研究可能对启发人员重识别的新深度模型的设计有用。
Nov, 2016
本研究提出了一种自学习子空间学习方法,可以将有标签数据与无标签数据相结合以实现人员再识别,并采用多内核嵌入策略来处理人的外观非线性变化,实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。
Apr, 2017
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
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
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
本文介绍了一种基于 CNN 的方法,通过约束权重来学习具有良好鲁棒性的判别度量,其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层,通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。
Nov, 2015
本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架,用于处理智能视频监控中的人员再识别问题,并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。
Dec, 2015
本研究提出了一种新的人物再识别(re-id)距离度量学习方法,通过匹配训练数据的判别式空间来克服小样本问题,并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。
Mar, 2016
本文提出了一种有效的人物再识别方法,结合了 fine 和 coarse pose 信息的卷积神经网络,同时提出了一种新的无监督自动重排架构,取得了优异的效果。
Nov, 2017