提出了一种新的深度学习框架,该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别,用于行人搜索,并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。
Apr, 2016
提出了一种基于 Sequential End-to-end 网络和 Context Bipartite Graph Matching 算法来提升 person search 中 re-ID performance 的方法,并在 CUHK-SYSU 和 PRW 两个 benchmark 上取得了最先进的结果。
Mar, 2021
该论文提出了一种名为 PAN(行人对齐网络)的算法,该算法采用卷积神经网络进行表示学习和行人对齐,以解决行人重识别中的对齐问题,并在三个大规模数据集上展示了具有竞争性的准确性。
Jul, 2017
该研究提出了 OIMNet++ 用于人员搜索,此方法采用 ProtoNorm 进行标定和 L2 正则化的人员特征表示以具有更好的可识别性,同时引入了一个定位感知的特征学习方案,以更好地对齐提案并增强判别性别表示。
Jul, 2022
提出了一种全面解耦的网络模型,用于实现端到端的人员搜索,并在检测和重新识别子任务上进行任务增量训练,从而实现了独立学习和最优化的人员搜索效果。
Sep, 2023
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
本文介绍了一种基于查询引导的端到端人物搜索网络,并使用最新的联合检测器和重新识别工作 OIM [37] 进行扩展。实验结果表明,我们的方法在 CUHK-SYSU [37] 和 PRW [46] 数据集上都优于现有的最先进方法。
May, 2019
通过结合相关滤波器和交并比(IOU)约束的人物追踪系统,以及基于 YOLOv5 的深度学习模型进行跨摄像头人员再识别,快速实时跟踪嫌疑人,适用于安全监控应用。
本论文提出了基于深度神经网络的人物再识别方法,利用视角信息进行特征提取,采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习,同时采用迭代算法优化网络参数,在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。
Mar, 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