Dec, 2017

姿态归一化的人员再识别图像生成

PDF
TL;DR本文提出了一种新颖的深度人图像生成模型，利用生成对抗网络，实现了消除视角变化的标准化，生成与姿势相关的真实人物图像，得到新型的去除姿势影响的深度重新识别（re-id）特征，并证明这种特征可以广泛应用于许多不同的 re-id 数据集中。
person re-identificationdeep person image generationgenerative adversarial networkpose normalizationtransfer learning
发现论文，激发创造
  • FD-GAN: 姿态引导特征蒸馏 GAN 用于强韧的人员再识别

    本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

    Oct, 2018

  • 使用保持相似度的生成对抗网络进行跨数据集的人员再识别

    本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

    Jun, 2018

  • 从生成的差异性学习不变性 - 非监督式人员再识别

    利用生成对抗网络进行对比学习的非监督式无监督表示学习方法在行人重识别中取得了最新的最优表现。

    Jan, 2023

  • VehicleGAN：针对车辆重新识别的双姿态引导图像合成

    该研究提出了一个名为 VehicleGAN 的车辆重新识别方法，利用图像合成和特征融合来解决车辆在不同角度下的识别问题，并通过在公共数据集上的实验结果验证了其准确性和有效性。

    Nov, 2023

  • 联合生成和对比学习用于无监督的人物重新识别

    本文研究基于自监督对比学习的无监督人员再识别问题，提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中，基于网格投影技术的视角生成器提供了数据增广，而对比学习模块则学习了生成视角不变特征。此外，引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明，该方法在多个大规模数据集上进行了全面的性能测试，均取得了比先前研究更好的效果。

    Dec, 2020

  • 一个强健的姿态变换 GAN 用于姿态控制的人体图像合成

    利用残差学习的方法，结合有效的数据增强技术，提出一种简单而有效的姿态转换 GAN，在不需使用额外功能学习的情况下，在任意姿态下生成给定的人体图像。该方法在两个大型数据集上展现出比现有方法更优越的性能，实现了在光照、遮挡、失真和尺度方面的鲁棒性。

    Jan, 2020

  • 基于 3D GAN 的大姿态人脸识别改进

    研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型，实现了从实际图像中学习非线性纹理模型，从而生成新的合成身份，同时操作姿势、照明和表情，而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练，性能得到改善。

    Dec, 2020

  • 使用深度生成模型进行姿势引导的时尚图像合成

    本文提出了一种基于新颖的深度生成模型的图像迁移方法，可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势，使用图像编码器、姿势编码器和解码器的结构，同时利用两个鉴别器来指导产生过程。经过严格的实验，在两个数据集上定量和定性地验证了该方法的效果。

    Jun, 2019

  • 人员重识别的联合判别和生成学习

    本文提出了一个联合学习框架，将 Re-ID 学习和数据生成端到端地耦合在一起，通过生成高质量的跨 ID 组合图像来提高鉴别模块的性能，该框架在多个基准数据集上达到了最先进的性能表现。

    Apr, 2019

  • 学习分解表示以实现强固的人员再识别

    本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

    Oct, 2019