CVPRJan, 2018

部分人员再识别的深度空间特征重构：无需对齐的方法

PDF
TL;DR本文提出了一种基于完全卷积神经网络的快速准确的匹配方法，结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题，并在多个数据集上进行的实验证明了该方法的有效性和效率。
partial person re-identificationmatchingfully convolutional networkdeep spatial feature reconstructiondictionary learning
发现论文，激发创造
  • 识别部分生物特征模式

    提出一个用于任意生物识别匹配场景的鲁棒性通用框架，将 FCN 的特征映射和基于字典学习的空间特征重构技术相结合，应用特征后处理步骤以及批次硬三元组损失函数进行优化，实验证明该方法具有很高的性能。

    Oct, 2018

  • STNReID : 使用成对空间变换网络的深度卷积网络进行部分人员重新识别

    本研究提出一种基于空间变换网络的深度偏分人员再识别框架，可以用于与整体身份图像匹配。实验结果表明，该框架在偏分人员再识别任务中达到了与最先进方法相当的准确率。

    Mar, 2019

  • 人物再识别的端对端深度 Kronecker - 积匹配

    本文提出了一种新的基于 Kronecker 乘积匹配模块的深度神经网络，结合自注意力和 Hourglass 网络对多尺度特征进行提取，并设计了一种新的特征软对准方案，可以在 Market-1501，CUHK03 和 DukeMTMC 数据集上显着优于现有最先进的方法，表明了该方法具有很好的效果和泛化能力。

    Jul, 2018

  • 无需对齐的遮挡人物重新识别前景感知金字塔重建

    本文提出了一种抵御遮挡和无需精确定位的人物重识别方法，并扩展其应用于更为真实和拥挤的场景中，在三个挑战性遮挡数据集和三个基准人物数据集上获得了极高的准确率。

    Apr, 2019

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 密集语义对齐的人员再识别

    本研究提出了一种基于密集语义对齐的人员再识别框架，通过利用人图像的密集语义估计，构建了一组密集语义对齐的部分图像，设计了一个两流网络，其中一个流具有密集语义对齐，它通过引导主全流学习来解决不同图像之间的身体不对齐问题。最终，在 CUHK03、CUHK01 和 Market1501 数据集上将表现优于现有方法，最高 rank-1 精度达到 95.7％。

    Dec, 2018

  • 人员再识别关系网络

    本研究提出了一种新的人物再识别关系网络，考虑了个体身体部位之间以及部位与其他部位之间的相互关系，有效提高了特征辨别能力，同时使用全局对比池化方法获取人物图像的全局特征，该方法已在多个数据集上实证表明其优越性。

    Nov, 2019

  • 针对个体重新识别学习身体和潜在部位上的深度上下文感知特征

    本文提出了一种多尺度背景感知网络（MSCAN）用于学习全身和身体部位的强特征，在每个层中通过堆叠多尺度卷积来捕捉局部上下文知识，并且通过使用新的空间约束来学习局部变形行人部分，并将全身和身体部分的表示学习过程集成到一个统一框架中，通过多类人物识别任务实现了人物再识别，且在当前挑战性大规模人物再识别数据集上，包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集，都取得了最先进的结果。

    Oct, 2017

  • 面向人员再识别的语义对齐表示学习

    本论文提出了一种通过细致的监督设计，驱动重新识别网络学习语义对齐特征表示的框架，其中包括了一个带编码器（SA-Enc）的 Semantics Aligning Network (SAN) 用于重新识别，以及一个解码器（SA-Dec）用于重建 / 回归密集语义对齐全纹理图像，并在三元组 ReID 约束下增加感知损失，以确保推断的计算效率。该设计取得了基准数据集 CUHK03，Market1501，MSMT17 和部分人物重新 ID 数据集 Partial REID 等的最佳表现。

    May, 2019

  • 时空人员再识别

    本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

    Dec, 2018