ECCVJul, 2018

使用深度相似度引导的图神经网络进行人员重新识别

PDF
TL;DR该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。
person re-identificationsimilarity-guided graph neural networkdeep learningrelationship informationsimilarity estimation
发现论文，激发创造
  • 面向场景的图卷积网络在目标重新识别中的应用

    本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。

    Dec, 2020

  • 使用保持相似度的生成对抗网络进行跨数据集的人员再识别

    本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

    Jun, 2018

  • 通过学习场景图之间的相似度进行图像检索

    本文通过使用图神经网络测量场景图的相似度，提出了一种基于场景图相似度的图像检索方法，并使用人工注释的标题计算图片相关性测量来训练图神经网络，收集了一个数据集用于评估检索算法，并显示我们的方法比竞争方法更符合人类对图像相似性的感知。

    Dec, 2020

  • 人物检索的上下文图学习

    本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

    Apr, 2019

  • 深度群随机行走用于人员再识别

    本文提出了一种基于群组洗牌随机游走网络的新方法，以充分利用训练和测试过程中图库图像之间的相关信息。该方法旨在通过简单而有效的矩阵操作，在基于图库图像之间的相关性信息的基础上完全细化 P2G 相似度，并可整合到深度神经网络中。在 Market-1501、CUHK03 和 DukeMTMC 数据集上，该方法优于现有技术，证明了该方法的有效性。

    Jul, 2018

  • 基于相对距离比较的深层特征学习用于人员再识别

    本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架，用于处理智能视频监控中的人员再识别问题，并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。

    Dec, 2015

  • 基于图结构洞见的多标签预测和分类无监督人员重识别

    本文提出了一种基于图形结构洞察力的多标签预测和分类方法，它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上，提出了 GSMLP 和 SMLC 两种方法，可以在不需要预标记数据集的情况下提高无监督个人 Re-ID 的性能，在实验中获得了最先进的性能表现。

    Jun, 2021

  • 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

  • 通过联合表示学习实现的人员再识别深度排名

    该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法，通过建立统一的深度排名框架来解决特征工程和评价设计的问题，并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性，在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法，具有更好的泛化能力。

    May, 2015

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 2019