Mar, 2018

针对高效人员再识别的对抗二进制编码

PDF
TL;DR本研究提出了一种简单而有效的基于对抗学习的二进制编码框架（ABC）用于高效实现人物重识别任务，通过配备深度三元组网络进一步增强所提取的二进制码的可辨别性，同时在端到端的方式下优化 ABC 和三元组网络，实验结果显示该方法在三个大规模的人物重识别基准测试中优于现有方法。
发现论文，激发创造
  • HashReID：具有二进制编码的动态网络用于高效人员再识别

    提出了一种多出口块的输入自适应网络，可以根据检索的简易程度或噪声提前终止计算，以节省计算资源。通过引入基于时间的分类器和二进制编码生成方法，能够更高效地进行检索，同时采用新的排序规范化器以确保相似性保持。在 Market1501、MSMT17 和 BGC1 数据集上进行了广泛分析，结果表明与其他基于哈希的方法相比，能够节省计算资源、保持相似性，并且具备与传统 ReID 方法相当的准确性。

    Aug, 2023

  • 结合两种对抗攻击的人员再识别系统

    人物再识别（Re-ID）领域受到了深度神经网络的广泛关注，特别是图像分类。本文的焦点在于对 Re-ID 系统进行的对抗攻击，其可能对系统性能构成严重威胁。我们尝试对两种热门 Re-ID 模型（IDE（ResNet-50）和 AlignedReID）应用了两种类型的对抗攻击（P-FGSM 和 Deep Mis-Ranking），并在三个数据集上进行了实验，最佳结果在 Applied to CUHK03 的 AlignedReID 上展示了 Rank-10 度量指标下 3.36% 的降低。我们还尝试通过在推断过程中使用 Dropout 作为一种防御方法。

    Sep, 2023

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 快速人物再识别

    本文提出一种新的粗到细哈希码搜索策略，该策略利用短码和长码进行补充，旨在快速准确地搜索人像图像。实验结果表明，该方法不仅比当代哈希 ReID 方法更准确，而且比非哈希 ReID 方法快 50 倍。

    Aug, 2020

  • 跨分辨率对抗双网络在人员身份识别及其扩展中的应用

    通过提出的生成对抗网络方法，该论文给出了一个用于解决跨分辨率人员重识别问题的方法，具有较强的抗噪能力和可泛化性。

    Feb, 2020

  • 超越三元组损失：利用细粒度差异感知成对损失进行人员再辨识

    本文提出了一种新的用于人物 Re-IDentification 的对比损失函数，因为大多数现有方法采用三元组损失函数难以捕捉细节的外貌差异，该损失函数通过对图片间差异的指数级和有界级进行自适应惩罚，能够较大幅度地提高模型在四个基准数据集上的性能，同时也提升了数据的有效性。

    Sep, 2020

  • 多损失动态训练下的金字塔式行人重新识别

    本文提出了一种新的粗到细的金字塔模型，以减少对精确边界框的依赖，该模型能够在不同尺度上匹配并搜索相同身份的正确图像，并提出了一个动态训练方案来学习具有判别性的身份表示，在三个数据集上实现了最先进的结果，尤其是在最具挑战性的 CUHK03 数据集上，超过当前最佳方法 9.5％。

    Oct, 2018

  • 视频人员再识别的自适应图表示学习

    提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

    Sep, 2019

  • 超越三元组损失函数：人员再识别的深度四元组网络

    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

  • 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