CVPRMar, 2018

人员再识别的多级分解网络

PDF
TL;DR本研究提出了 Multi-Level Factorisation Net (MLFN) 模型，它能够将人的视觉外观分解成多个语义层面的潜在辨别因素，从而实现有效的人员再识别。此方法可以解决深度学习模型需要大量人工标注属性的问题，并在三个 Re-ID 数据集上实现了最先进的结果。
person re-identificationdeep learning modelsmulti-level factorisation netvisual appearancelatent discriminative factors
发现论文，激发创造
  • 用于人员再识别的分层双向特征感知网络

    提出了一种名为 HBFP-Net 的模型，使用低秩双线性池化模型来建模跨层级特征对的相关映射，并利用双向特征感知模块来丰富高层特征的注意力区域，成功提高了行人再识别的性能。

    Aug, 2020

  • 多粒度学习区分特征在行人再识别中的应用

    本文提出了一种多粒度深度网络 MGN，将全局特征与多种局部特征相结合，将图像实现均匀划分为多个条带进行训练，进一步提高了人物再识别任务的性能表现。在包括 Market-1501、DukeMTMC-reid 和 CUHK03 等主流评估数据集上，我们的方法均实现了最先进的表现并超过了任何现有方法。例如，在 Market-1501 数据集中，在单个查询模式下，经过重新排序，我们实现了 96.6%/94.2% 的 Rank-1/mAP 的最先进结果。

    Apr, 2018

  • 无监督跨数据集人员再识别的多任务中层特征对齐网络

    本研究提出了一种多任务中间特征对齐网络（MMFA）来解决无监督跨数据集人员再识别任务的问题，该网络采用中间语义属性，通过交叉数据集中间特征对齐正则化项进行联合优化，取得了比现有方法更好的性能。

    Jul, 2018

  • 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

  • 人员再识别中的前景关注鉴别特征学习

    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

  • Deep-Person: 为人物再识别学习辨别性深度特征

    该研究提出了一种名为 Deep-Person 的三分支框架，利用 LSTM 建模行人身体从头到脚的序列，提高局部特征的鉴别能力以及同时学习了鉴别嵌入和相似度测量。实验证明该框架在市场 - 1501，CUHK03 和 DukeMTMC-reID 等三个数据集上，超过了现有的最先进方法，单次查询设置下市场 - 1501 的 mAP 达到了 90.84％。

    Nov, 2017

  • MDFN: 目标检测的多尺度深度特征学习网络

    本文提出了一种基于深度学习的多尺度特征学习技术来解决物体检测问题，通过使用深层次的抽象特征来提高模型对语义信息的理解和处理能力，同时采用多框，多量级等技术提高模型的检测精度与计算效率。实验证明该模型在 KITTI，PASCAL VOC 和 COCO 数据集上表现优异。

    Dec, 2019

  • 多层相似度实现高效深度人员再辨识

    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

  • 可见光 - 红外人员再识别的多尺度语义相关挖掘

    通过多尺度语义相关性挖掘网络（MSCMNet），从不同的模态中提取有区分性的特征用于匹配的任务中，最大的挑战在于如何全面利用语义特征以及尽可能减少特征提取中的模态信息损失。该网络包含三个主要组成部分：多尺度信息相关性挖掘模块（MIMB）用于关联多尺度语义特征，四重流特征提取器（QFE）用于从数据集的不同维度提取信息以丰富语义信息，以及四重中心三重损失（QCT）用于解决综合特征中的信息差异问题。在 SYSU-MM01、RegDB 和 LLCM 数据集上进行的广泛实验表明，所提出的 MSCMNet 具有最高的准确性。

    Nov, 2023

  • 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