AAAINov, 2017

大规模人员再识别的基于区域的质量估计网络

PDF
TL;DR通过提出一个新的基于区域质量估计的神经网络模型，本文旨在解决基于视频的人员重识别中由于遮挡、模糊和光照引起的噪声问题，并提供了一个高质量的人员重识别数据集，通过实验在不同数据集上的准确率均达到 90% 以上。
person re-identificationvideo-basedregion-based quality estimationdatasetimage processing
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

  • 遮挡人物再识别的区域生成与评估网络

    利用区域生成和评估网络（RGANet）有效而高效地检测人体区域并突出重要区域，通过区域生成模块（RGM）和区域评估模块（RAM）解决了现有人物再识别方法中存在的挑战，如失配和遮挡以及外部工具和比对策略带来的不可靠性和噪声敏感性。

    Sep, 2023

  • 大规模人员再识别的行人对齐网络

    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。

    Jul, 2017

  • 基于视频的人员再识别不带花哨

    提出了一种基于深度学习检测和追踪的重新检测和链接模块，并结合粗到细轴向注意网络优化了视频行人重识别，可以显著降低计算成本并在 MARS 数据集上实现排名 1 的最高表现，能够解决由于不完美的检测和跟踪结果导致的空间和时间错配问题，同时发现了数据集中的噪声和评估协议错误，为是次领域研究提供了可靠的数据和基础工具。

    May, 2021

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    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

  • 基于 Re-ID 的行人搜索定位细化技术

    本研究提出了一种基于 re-ID 驱动的定位精化框架，通过可微的 ROI 转换层有效地转换原始图像中的边界框，实现对检测框的监督，从而提高行人搜索的效果。实验结果显示，该方法在常用的基准测试中对比现有方法表现明显更好。

    Sep, 2019

  • 大规模预训练用于带噪标签的人物再识别

    本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

    Mar, 2022

  • 使用得分规范化改进基于 CNN 的人员再识别

    该论文提出了一种结合了卷积神经网络特征提取方法和交叉视角二次判别分析进行度量学习的 PRe-ID 新方法，并使用马氏距离和得分规范化算法处理多摄像头下的匹配问题，实验表明该方法在多项数据集上均获得了可喜的结果。

    Jul, 2023

  • 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

  • 时空车辆重识别

    基于自适应 Parzen 窗方法和融合网络的空时域车辆重新识别框架在公共数据集（VeRi776）上取得 99.64% 的 rank-1 准确率，实验证明利用空时信息可以提高基于外观的方法的准确性并有效处理外观歧义。

    Sep, 2023