AAAIMar, 2018

多通道金字塔人物匹配网络用于人员再识别

PDF
TL;DR本文提出了一种基于多通道深度卷积金字塔的人员匹配网络 (MC-PPMN)，通过语义成分和颜色纹理分布的组合，学习分离的深度表征，并使用金字塔人员匹配网络来获得对应的表征，最终融合这些表征来执行人员重新识别任务。此外，通过统一的端到端深度学习方案在优化该提出的框架。在多个基准数据集上的广泛实验表明，我们的方法对最新的相关工作有显著的改进，特别是在排名 1 的识别率方面。
multi-channel deep convolutional pyramid person matching networksemantic-componentscolor-texture distributionsperson re-identificationend-to-end deep learning
发现论文，激发创造
  • PersonNet: 使用深度卷积神经网络进行人员再识别

    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

  • 水平金字塔匹配的人员再识别

    通过提出的 Horizontal Pyramid Matching 方法，我们可以在一定程度上减缓由于缺失身体部位而出现的识别失败情况，通过对不同的部分进行分类来增强各个人物部位的辨别能力，在全局和局部方面运用平均和最大池化策略来区分不同的人物信息，并在三个流行的基准测试中分别获得马记得 1501，DukeMTMC-ReID 和 CUHK03 的 mAP 分别为 83.1％，74.5％和 59.7％，从而达到新的最佳水平。

    Apr, 2018

  • 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

  • PH-GCN: 基于部分层次图卷积网络的人员再识别

    本文提出了一种名为 Part-based Hierarchical Graph Convolutional Network（PH-GCN）的深度学习框架，用于人物重识别问题。通过信息交互，PH-GCN 在全局、局部和结构特征学习上同时进行，提高了 Re-ID 的效果。

    Jul, 2019

  • 通过联合表示学习实现的人员再识别深度排名

    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

  • 基于大适应边际学习的深度排名模型用于人员再识别

    本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

    Jul, 2017

  • 基于深度循环卷积网络的视频行人再识别：一种端到端的方法

    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

  • 视频人员再识别的紧凑外貌表示学习

    本文介绍了使用多个卷积神经网络的视频人物重新识别的新方法，利用步态对连续帧进行筛选选取代表帧，利用特征池化提取特征进行身份鉴定的紧凑描述，实验证明该方法比现有方法更优。

    Feb, 2017

  • 使用卷积神经网络实现结构化深度哈希，以便快速进行人员再识别

    本文提出了一个基于深度学习的哈希框架，通过同时学习 CNN 特征和哈希函数 / 码，解决了行人再识别中匹配效率低的问题，即通过计算和排名图像间的汉明距离来实现快速的再识别。通过在正对和负对之间定义的结构化损失函数，提出了一个新的优化问题。该方法在两个基准测试数据集 CUHK03 和 Market-1501 上的大量实验表明，其比现有技术更加有效。

    Feb, 2017

  • 人员再识别的有约束深度度量学习

    本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

    Nov, 2015