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
本文提出了一种新的尖锐关注网络,通过用卷积神经网络(CNN)的特征图自适应地采样人员再识别(re-ID)问题,从而生成更加尖锐的关注特征屏蔽蒙版,能够更有效地筛选弱相关的特征,通过可微分的 Gumbel-Softmax 采样器进行训练,实验结果表明,这种新型尖锐关注模型在三项挑战性基准测试中优于其他最先进的方法。
May, 2018
本研究提出了一种新颖的注意力驱动多分支网络,可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征,以优化人员重新识别的效果。
Oct, 2018
本论文提出了一个用于人物再识别的深度学习网络 ——Consistent Attentive Siamese Network。该网络通过学习获得空间物体特征,使得对于跨视图的图像匹配具有鲁棒性,并展现了在保证同一身份图像的一致性的情况下,尽可能的利用图像内容进行监督与特征提取的方法,从而获得了具备解释性的预测能力。在 CUHK03-NP、DukeMTMC-ReID 和 Market-1501 数据集上进行的实验表明,该网络具有竞争力的性能表现。
Nov, 2018
本论文提出了一种具有 Siamese attention architecture 的模型,在视频中提取本地卷积特征,并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性,以解决视频中行人匹配的问题,并在三个基准数据集上取得了良好的效果。
Aug, 2018
该论文提出了一种新型的名为 Attention-Aware Compositional Network 的框架,用于人物再识别。该框架主要包括姿态引导下的部分关注和关注感知特征组合两个模块,并利用人体姿态估计结果来处理姿态变化和背景混杂的问题,对几个公共数据集进行了广泛的实验,并取得了最先进的效果。
本文提出了一种名为 CCA 的注意力模块,旨在通过最大化不同注意区域之间的信息增益来克服以前的限制,并提出了一种新的深层网络,利用不同的注意力机制学习人物图像的强鲁棒性和判别表现,得到的模型被称为 CCAN,大量实验证明 CCAN 在人物重新识别任务上优于当前状态下的最先进算法。
Jun, 2020
本研究提出了一种简单而有效的前景注意力神经网络(FANN),通过引入前景针对子网和特征融合子网学习判别性特征表示来解决人员再识别问题,在多任务学习框架中训练 FANN,可以学习到一种判别性特征表示,能够在各种候选项中寻找与每个探针匹配的参考值。与最先进的方法相比,该方法在多个公共基准数据集上都显示出明显的改进。
Jul, 2018
本文提出了一种新的基于软注意力的模型,即端到端比较注意网络 (CAN),专门用于人员重新识别任务,该模型能够在几个瞥见后选择性地关注人的不同部位,学会哪些图像部位与识别相关,并自动整合不同部位的信息来确定两个图像是否属于同一个人,并在三个基准人员重新识别数据集上实现了最优性能。
Jun, 2016
提出了高阶注意力模块和混合高阶注意力网络,用于提高人物再识别的歧视性和注意力知识的丰富性。在三个大型数据库上实验验证了该方法的优越性。
Aug, 2019