多摄像头下的联合行人再识别和摄像头网络拓扑推断
本论文提出了一种集成方案,旨在解决人员重新识别和摄像头网络拓扑推断问题,采用多摄像头网络环境并提供一个新的人员重新识别数据集 SLP,试验结果表明所提出的方法在人员重新识别和摄像头拓扑推断任务中具有良好的预测性能。
Apr, 2017
该论文介绍了一个基于流形学习的动态摄像头网络中的人物重识别无监督学习方法,并提出了一个可利用最佳源摄像头信息改善多个摄像头间准确度的推理算法。该方法在四个基准数据集上的实验结果表明,明显优于现有的无监督学习方法且计算效率极高。
Jun, 2017
本文提出了一种基于环境约束的自适应网络,通过多相机约束提高伪标签的精度,将人物对信息无需使用标签即可用于模型训练,进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。
Oct, 2022
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
探索摄像头网络的动态适应性,通过假说转移学习和模型组合来进行知识传递,并在四个具有不同数量摄像头的基准数据集上进行了广泛的实验,证明了该方法的有效性。
Jul, 2020
该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法,通过内部相机特征分布和自适应学习得到更加可靠的伪标签,取得了优于当前最先进方法的结果。
Apr, 2023
本文提出了一种新的 CTL 框架来实现视频行人重新识别,其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征,采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征,并通过构建多尺度图形来捕捉分层时空依赖性和结构信息,最终证明了该方法在两个视频基准上实现了最先进的表现。
Apr, 2021
本文提出了一种基于跨摄像头轨迹生成的行人检索框架,该框架整合了时间和空间信息,并通过建立稀疏采样行人数据来构建跨摄像头的空间 - 时间模型,进而提取出交叉摄像头轨迹,并结合条件随机场模型和非负矩阵分解方法进行优化, 最终通过轨迹重新排序技术来提高检索结果。为了验证方法的有效性,本文构建了第一个跨摄像头行人轨迹数据集,即人员轨迹数据集,并进行了广泛实验。
Apr, 2022
本篇论文提出了一种新的联合空间和时间注意力池化网络(ASTPN)用于基于视频的人物再识别,能让特征提取器意识到当前输入的视频序列,而空间和注意力时间池化层都能从距离匹配信息中筛选出有代表性的人物并对其进行学习,实验证明可以优于现有的 state-of-the-art 方法。
Aug, 2017