ICCVSep, 2017

通过上下文和相关性的联合循环学习进行属性识别

PDF
TL;DR本文使用 Joint Recurrent Learning 模型来探索属性上下文和相关性，以提高在训练数据较少，图像质量差的情况下的属性识别，并展示了该模型在 PETA 和 RAP 两个最大的行人属性基准上的优越性能和鲁棒性。
semantic pedestrian attributescomputer visionjoint recurrent learning (jrl) modelattribute recognitiondeep models
发现论文，激发创造
  • 基于序列的人物属性识别与联合 CTC-Attention 模型

    本文提出了一种联合 CTC-Attention 模型（JCM），该模型将属性标签映射到序列中以学习属性之间的语义关系，并采用神经网络将图像编码为序列，采用了注意力模型解码序列，从而更好地学习语义信息，实验结果表明该方法对属性识别具有有效性。

    Nov, 2018

  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018

  • 行人属性识别：一份调查

    介绍了现有的人行属性识别方法，包括传统方法和基于深度学习网络的方法，同时分析了多种学习算法和网络架构，总结出可行的研究方向，并给出实验结果的性能评估。

    Jan, 2019

  • 学习识别行人属性

    本文介绍了一种利用周围的行人图像 context，比传统的基于 SVM 方法更好地推断行人属性的方法，并通过我们新发布的行人属性数据集进行实验评估背景和前景特征对属性识别的相关性。

    Jan, 2015

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题，其中使用最大池化的弱监督目标检测技术来训练属性特征图，并通过检测响应大小的回归来预测属性标签，通过对检测层激活图的融合加权聚类，可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。

    Nov, 2016

  • CVPR 2023 第一届基础模型挑战赛 - Track2 的解决方案

    本文提出了一种解决跨模态交通检索问题的方法，将问题分为行人检索和车辆检索两个子任务，并分别采用 IRRA 和 BLIP 作为基础模型，同时引入属性分类和基于属性的目标检测技术来增强图像和文本之间的对齐，取得了 70.9 的排名。

    Mar, 2024

  • 视觉关系与属性检测的深度变化结构强化学习

    本研究提出了一种基于深度强化学习算法的新方法 VRL，能够更好地理解场景中物体之间的相互关系和属性，并在大规模数据集上验证其优越性和预测能力。

    Mar, 2017

  • 自动驾驶车辆 32 个行人属性的检测

    本文介绍了一种基于多任务学习的模型，通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别，其中包括道路等待行为的预测，结果在自动驾驶领域表现出竞争力和稳定性。

    Dec, 2020

  • 端到端模型中的深度视角感知行人属性推断

    本文介绍了一个基于端到端学习框架的人行属性推断方法，将其作为多标签图像分类任务，以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。

    Jul, 2017

  • 行人属性识别的空间和语义一致性规则化

    本文提出了一个基于空间和语义一致性框架的人行属性识别模型，通过空间统一和语义特征提取实现了属性的跨图片一致性。实验表明，该方法在 PA100K、RAP 和 PETA 等基准测试中表现出色，同时不增加参数。

    Sep, 2021