个人照片集中的人物识别
提出一种基于卷积神经网络的人物识别系统,针对不同的身体线索和训练数据量的信息量,系统的常见故障模式进行了深入分析,并讨论了现有基准的局限性并提出更具挑战性的基准,其简单易用且在社交媒体照片数据集(PIPA)上达到了更好的成果。
Sep, 2015
本文介绍了 PPIPA 数据集,提出了一种基于深度卷积网络的 Pose Invariant PErson Recognition (PIPER) 方法来实现照片集中个体识别,实验证明该方法在处理姿态、服装、视角、分辨率和光照等变化时表现优于 DeepFace。
Jan, 2015
该研究提出使用一种新的循环神经网络架构来建模人物间的关系信息,并将场景上下文与视觉外观一起建模,该方法将序列预测和语境线索结合,达到了最佳的性能表现。
Nov, 2016
本文旨在通过研究社交媒体数据中人员识别的准确性,为我们日益涉足虚拟空间,隐私受到威胁的新现实提供理解。我们定义了多种场景并提出了一种强大的人员识别系统,证明即便在人脸被模糊处理的情况下,仍然能威胁到用户的隐私安全。本文详细论述了我们的实验结果及其涵义。
Jul, 2016
本文提出了一种新的人物识别框架:区域注意力网络,它能够以实例相关的方式自适应地组合不同的视觉线索,并学习社交上下文和人物身份的推理,从而在复杂的环境中大幅提高了鲁棒性。
Jun, 2018
论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法,可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像,成功地在 CUHK01,CUHK03 和 Market 1501 数据集上超越了现有的先进方法。
Jul, 2017
本研究提出多个模型联合训练并在测试中使用姿势感知权重的方法解决全身人物识别中的姿态变化问题。同时,使用网络对多个身体区域进行联合优化,为解决不同场景下的人物识别问题提出了新的基准测试,并证明了该方法在 PIPA 数据集中取得的高准确率。
May, 2017
本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性,并以三个数据集为基准测试了四种方法,提供指南以帮助未来设计更好的人物重新识别流水线。
Dec, 2022
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