Jul, 2017

大规模人员再识别的行人对齐网络

PDF
TL;DR该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。
person re-identificationpedestrian alignment networkconvolutional neural networkdiscriminative embedding learninglarge-scale re-id datasets
发现论文，激发创造
  • 野外行人再识别

    介绍了一个用于人行检测和人物识别的新数据集 PRW 及其评估，利用 6 个同步摄像头采集的视频，包含 932 个身份和 11,816 帧，使用了各种检测器和识别器的绩效分析，提出了两种改进措施，并评估了这些措施对于人物重新识别的效果。

    Apr, 2016

  • 使用卷积神经网络实现结构化深度哈希，以便快速进行人员再识别

    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

  • 免锚人员搜索

    本文提出了一种基于 AlignPS 的 anchor-free 框架来解决人物搜索问题，包括行人检测和人物重新识别，通过对齐特征聚合模块，实现更鲁棒的特征嵌入，显著提高了基线 anchor-free 模型的性能。

    Mar, 2021

  • 不要打扰我：在其他行人干扰下的人员再识别

    这篇论文提出了一种名为 PISNet 的深度网络，它可以从拥挤的场景中准确地识别目标行人并去除其他人的干扰信息。通过使用 Query-Guided Attention Block (QGAB) 和 Multi-Person Separation Loss 技术，该方法在两个新的行人干扰数据集上实现了优秀的表现。

    Aug, 2020

  • 人员再识别的和谐注意力网络

    本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示，优化了未对齐人物图像中的人物重识别，相对于现有的一些方法具有明显的优越性。

    Feb, 2018

  • 深度人员重新识别的姿态不变嵌入

    为解决行人重识别中行人错位问题，本文提出了一种基于姿态不变嵌入的行人描述符，通过引入 PoseBox 结构和 PoseBox fusion CNN 架构，可有效实现标准化姿态和减少信息损失，同时与现有方法相比具有竞争性的表现表现。

    Jan, 2017

  • 无监督人员重新识别：聚类和微调

    本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

    May, 2017

  • 人员搜索的联合检测和身份识别特征学习

    提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。

    Apr, 2016

  • 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

  • 人物再识别的判别式学习卷积神经网络嵌入

    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