CVPRJul, 2018

人物再识别的端对端深度 Kronecker - 积匹配

PDF
TL;DR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。
person re-identificationneural networkfeature matchinghourglass networksimage alignment
发现论文，激发创造
  • 部分人员再识别的深度空间特征重构：无需对齐的方法

    本文提出了一种基于完全卷积神经网络的快速准确的匹配方法，结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题，并在多个数据集上进行的实验证明了该方法的有效性和效率。

    Jan, 2018

  • PersonNet: 使用深度卷积神经网络进行人员再识别

    本文提出了一个端对端深度神经网络，用于同时学习高级特征和相应的相似性度量，用于人物再识别。我们的方法通过 10 个加权层和非常小的卷积过滤器提高了相似度测量的准确性，在 CUHK03 和 Market-1501 等数据集上一致优于现有算法。

    Jan, 2016

  • 水平金字塔匹配的人员再识别

    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。

    Apr, 2018

  • 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

  • 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

  • 基于大适应边际学习的深度排名模型用于人员再识别

    本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

    Jul, 2017

  • 基于深度循环卷积网络的视频行人再识别：一种端到端的方法

    本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

    Jun, 2016

  • 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

  • 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

  • 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