Jul, 2018

人员再识别任务的深度学习技术调查

PDF
TL;DR通过对比基准数据集，研究了目前在智能视频监控和机器学习技术领域中，用于人员再识别的深度神经网络模型的表现及局限性，为未来的研究提供了基础。
intelligent video-surveillanceperson re-identificationdeep neural networksperformancebenchmark datasets
发现论文，激发创造
  • 人物再识别：过去、现在和未来

    这篇文章介绍了人员再识别技术及其发展历史，对手工算法和深度学习算法在画面和视频再识别任务中的表现进行了概述，描述了未来方向和需要提高的问题。

    Oct, 2016

  • 人员再辨识的深度学习：综述与前瞻

    本文介绍了人物重识别技术在深度学习方面的应用，提出了封闭式和开放式两种应用场景，并且详细分析了两种场景下的数据集、算法和评估指标。最后，设计了一个有效的基线系统，并提出了一个新的评估指标，同时探讨了未来的研究方向。

    Jan, 2020

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

    Dec, 2022

  • 学习视角特定的深度网络进行人员再识别

    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

  • 人物再识别：领域特定开放挑战和未来趋势回顾

    本文通过对 2015 年至 2021 年间 230 多份文献的系统调查，首次综合性地回顾了针对各种视觉挑战的人员重新识别 (person re-identification) 方法，分析了当前方法的优缺点，提出了未来研究的发展方向。

    Feb, 2022

  • 人员再识别的系统评估和基准测试：特征，指标和数据集

    这篇论文对于人员再识别技术进行了全面的评估和表现评估，并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库，使用 17 个不同的数据集进行了评估，旨在为这个领域提供公开、准确、全面的基准。

    May, 2016

  • 用于人员再识别的多任务深度神经网络

    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

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 视频排名中基于判别性选择的人员再识别

    本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

    Jan, 2016

  • 基于深度属性的多摄像头行人重新识别

    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