AAAIApr, 2018

水平金字塔匹配的人员再识别

PDF
TL;DR通过提出的 Horizontal Pyramid Matching 方法，我们可以在一定程度上减缓由于缺失身体部位而出现的识别失败情况，通过对不同的部分进行分类来增强各个人物部位的辨别能力，在全局和局部方面运用平均和最大池化策略来区分不同的人物信息，并在三个流行的基准测试中分别获得马记得 1501，DukeMTMC-ReID 和 CUHK03 的 mAP 分别为 83.1％，74.5％和 59.7％，从而达到新的最佳水平。
发现论文，激发创造
  • 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

  • 多通道金字塔人物匹配网络用于人员再识别

    本文提出了一种基于多通道深度卷积金字塔的人员匹配网络 (MC-PPMN)，通过语义成分和颜色纹理分布的组合，学习分离的深度表征，并使用金字塔人员匹配网络来获得对应的表征，最终融合这些表征来执行人员重新识别任务。此外，通过统一的端到端深度学习方案在优化该提出的框架。在多个基准数据集上的广泛实验表明，我们的方法对最新的相关工作有显著的改进，特别是在排名 1 的识别率方面。

    Mar, 2018

  • 人物再识别的端对端深度 Kronecker - 积匹配

    本文提出了一种新的基于 Kronecker 乘积匹配模块的深度神经网络，结合自注意力和 Hourglass 网络对多尺度特征进行提取，并设计了一种新的特征软对准方案，可以在 Market-1501，CUHK03 和 DukeMTMC 数据集上显着优于现有最先进的方法，表明了该方法具有很好的效果和泛化能力。

    Jul, 2018

  • 人物重识别的深度学习部分对齐表示

    本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

    Jul, 2017

  • 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

  • 人物再识别的人类语义分析

    本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同，我们提出采用人类语义分析来提取局部特征，相应的性能得到了大幅提升，并成为了当前最优方法。此外，我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法，如 Inception-V3 和 ResNet-152，无需修改即可显著提高人物再识别的性能。

    Mar, 2018

  • 基于部件的深度哈希用于大规模人员再识别

    本文提出了一种基于深度学习和哈希的方法来实现大规模人员重识别，并通过将行人图像进行水平分割的方式来集成空间信息，采用三元组损失函数来约束损失，并在大规模数据集上进行了竞争性测试，取得了很好的实验结果。

    May, 2017

  • 超越人类身体：用于人员再识别的双部分对齐表示

    本文提出了一种基于人体解析模型和自注意力机制获取其它目标区域信息的方法，实现了在三个基准数据集上的最新性能，提高了人物重识别的准确性。

    Oct, 2019

  • 使用对齐和虚构技术的部分人员重新识别

    本文提出了基于部分人员重识别技术的部分匹配网络（PMN），该技术可检测人体关节、对齐局部视图、通过一些信息和具有学习能力的人员模型来逐步恢复缺失的部分，并将对齐和重建后的视图结合起来用于图像匹配，实验证明该方法在三个数据集上有显着的改善。

    Jul, 2018

  • 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