Apr, 2018

遮挡行人再识别

PDF
TL;DR本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法，其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失，旨在解决在人群密集的公共场所中遭遇的遮挡问题，该新问题称为遮挡人物重新识别问题，实验表明该方法优于现有的三个基准方法。
person re-identificationocclusionattention framework of person bodydeep learningmulti-task losses
发现论文，激发创造
  • 基于深度学习的遮挡人员再识别：综述与展望

    综述了遮挡行人重新识别方法的数据集、评估方案以及基于深度学习的解决方案，并进行了方法的系统比较，提出了未来遮挡行人重新识别发展的展望。

    Nov, 2023

  • 一种新的被遮挡人员再识别师生学习框架

    本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。

    Jul, 2019

  • 基于部分注意力模型的遮挡行人重新识别加强

    我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

    Apr, 2024

  • 无需对齐的遮挡人物重新识别前景感知金字塔重建

    本文提出了一种抵御遮挡和无需精确定位的人物重识别方法，并扩展其应用于更为真实和拥挤的场景中，在三个挑战性遮挡数据集和三个基准人物数据集上获得了极高的准确率。

    Apr, 2019

  • 被遮挡的换装人员再识别

    通过在人物换装场景中使用与服装无关的特征来检索和识别特定行人的换装人物重识别目标中，该论文定义了遮挡换装人物重识别作为一个新的任务，并构建了两个用于不同遮挡情境的遮挡换装人物重识别数据集。

    Mar, 2024

  • 基于自注意力机制的部位感知 Transformer 技术在遮挡人物再识别中的应用

    通过基于变压器编解码器架构的多元部分发现，包括基于像素上下文的变压器编码器和基于部分原型的变压器解码器，我们提出了一种新的端对端的面向部分的变压器，用于处理拥挤情景中受遮挡的人物重识别。实验结果表明，提出的方法在三个任务（受遮挡，部分和整体重识别）的六项基准测试中表现良好。

    Jun, 2021

  • 基于时空特征的遮挡像素重建端到端框架用于改进行人再识别

    本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。

    Apr, 2023

  • 通过处理遮挡实现鲁棒的集成人员重识别的正交融合

    通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

    Mar, 2024

  • 注意力驱动的人物识别

    本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

    Oct, 2018

  • 基于方向的外观字典方法用于人员再识别

    该研究提出了一种基于人体结构的特征表示方法，并将其应用于人员再识别领域，以提高识别性能，实验结果表明该方法的有效性。

    May, 2016