基于三元组的深度相似性学习用于人员再识别
本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架,用于处理智能视频监控中的人员再识别问题,并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。
Dec, 2015
本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别,相对于三元组损失,该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现,并在多个代表性数据集上超过了大部分最先进算法,证明该方法的有效性。
Apr, 2017
本文提出基于多层级相似度计算的、高效的全卷积 Siamese 网络,使用卷积层、空间变形网络和深度可分离卷积等技术,在 Person Re-Identification 问题上实现有效的结果。
Mar, 2018
为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题,提出了一个半监督属性学习框架,该框架由三个阶段组成,并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量,取得了出乎意料的好效果,在度量学习模块的帮助下,显著优于许多最近的工作。
May, 2016
本文提出了一个端对端深度神经网络,用于同时学习高级特征和相应的相似性度量,用于人物再识别。我们的方法通过 10 个加权层和非常小的卷积过滤器提高了相似度测量的准确性,在 CUHK03 和 Market-1501 等数据集上一致优于现有算法。
Jan, 2016
本文提出了一种多类别分类损失函数(N 元损失),旨在联合考虑多个实例进行查询优化,以实现更好的 Person Re-identification 测试 / 推理过程和更高的性能。
Jun, 2020
本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量,采用深度卷积网络和循环神经网络进行时间序列建模和度量学习,通过时间汇聚产生整体特征表示,在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。
Jun, 2016
该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法,通过建立统一的深度排名框架来解决特征工程和评价设计的问题,并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性,在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法,具有更好的泛化能力。
May, 2015
本文旨在探讨如何将卷积神经网络的不同特性相融合,提高行人识别任务中的性能,并提出了一个新型的任务学习框架,取得了当前公开基准数据集上的最佳表现,并且还证明了这个框架能够适用于图像检索任务。
Nov, 2016