本文提出了一种新的多目标多摄像机跟踪框架,利用重识别模型,结合遮挡情况、目标朝向以及人体姿态信息,采用融合后的跟踪特征进行跟踪关联,有效地处理了目标识别和跟踪断点问题,并在多摄像机难度序列中取得了优秀的性能。
Jun, 2019
本文提出了一种多任务深度网络并联考虑二分类和排名任务,结合交叉域架构训练以解决人员再识别问题,实验结果表明,该方法有效性显著优于现有算法。
Jul, 2016
本文中提出了一种名为 “三叉神经变压器” 的框架,通过将原始视频数据转化为不同的特征域,同时使用自监督学习的三个自视图变压器和一个交叉视图变压器来增强信息并提取更全面的视频标识,实现了公共 Re-ID 基准上优于其他最先进方法的表现。
Apr, 2021
此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度,通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。
Dec, 2018
本文研究了单摄像机训练下的人物再识别,提出了一种新的损失函数 MCNL,利用概率来解决单摄像机下缺乏跨摄像机信息的问题,实验表明 MCNL 有效提升了 ReID 的准确率。
Sep, 2019
本研究提出了一种基于 Intra-Camera Supervised(ICS)的 Multi-Task Multi-Label(MTML)深度学习方法来解决人员再辨认问题,该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法,MTML 模型能够在相关的数据集上提高人员再辨认的准确性。
Aug, 2019
本研究提出了一种在线多目标跟踪方法,通过收集检测和跟踪的输出,利用基于完全卷积神经网络的新型评分函数处理不可靠检测,并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。
Sep, 2018
提出使用单摄像头进行训练的人物再识别(SCT re-ID)方法,旨在在仅出现在一个摄像头中的 SCT 数据集上训练 re-ID 模型。引入 Camera-Invariant Meta-Learning Network(CIMN)来学习相机不变的特征表示,通过元学习策略进行跨摄像头模拟,以提高泛化能力并取得了比现有方法更好的性能。
Jun, 2024
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
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