Sep, 2018

人物重新识别中分类损失的辩护

PDF
TL;DR本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架，以学习多个通道组的判别式全局特征，并证明了其在准确性和推理速度方面优于现有技术水平。
person re-identificationglobal featuresclassification losschannel groupingmulti-branch strategy
发现论文，激发创造
  • 人物重识别中三元组损失的防御

    该研究探讨了计算机视觉中人物重新识别子领域中三元组损失函数的表现，与其他损失函数相比，它能够更好地进行端到端的深度度量学习。

    Mar, 2017

  • 深度联合学习多损失分类的个体重识别

    本文提出了一种使用 CNN 联合学习局部和全局特征的方法，用于重新识别目标，实现了对多任务的优化，通过优化多任务的联合损失函数，达到一种损失函数的平衡，该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。

    May, 2017

  • 人物再识别的部分损失深度表示学习

    本研究提出一种基于结构风险最小化的深度表示学习方法，同时考虑了经验分类风险和表示学习风险，使用自动生成的图像部分计算人的分类损失，可以更好地聚焦于整个人体，学习出不同部分的区别性表示。三个数据集上的实验证明了该方法的有效性。

    Jul, 2017

  • 超越三元组损失：利用细粒度差异感知成对损失进行人员再辨识

    本文提出了一种新的用于人物 Re-IDentification 的对比损失函数，因为大多数现有方法采用三元组损失函数难以捕捉细节的外貌差异，该损失函数通过对图片间差异的指数级和有界级进行自适应惩罚，能够较大幅度地提高模型在四个基准数据集上的性能，同时也提升了数据的有效性。

    Sep, 2020

  • 超越三元损失函数：用于人员再识别的元原型 N 元损失函数

    本文提出了一种多类别分类损失函数（N 元损失），旨在联合考虑多个实例进行查询优化，以实现更好的 Person Re-identification 测试 / 推理过程和更高的性能。

    Jun, 2020

  • 人员再识别的增量三元组间隔学习

    此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度，通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。

    Dec, 2018

  • 超越三元组损失函数：人员再识别的深度四元组网络

    本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别，相对于三元组损失，该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现，并在多个代表性数据集上超过了大部分最先进算法，证明该方法的有效性。

    Apr, 2017

  • 再次捍卫三元组损失：利用快速近似三元组损失和标签精华学习鲁棒的人物再辨识

    提出了一种快速逼近的三元组损失（FAT）来匹配人物重新识别任务的大规模数据集中的潜在噪声标签，同时提出了标签蒸馏策略来改进由于潜在噪声标签的学习，结果表明该方法可显著提高 ReID 特征的准确性，效率，鲁棒性和直接可迁移性。

    Dec, 2019

  • Re-ID done right: 人员重新识别的良好实践

    本文介绍了一种基于简单的深度架构的策略，通过精细地设计架构的每个组件以及有效训练来实现人物重新识别的最佳实践，其能够比复杂的具有补充部件的方法更好地定位和对齐具有识别性的图像区域，并提出了一种类似于隐式注意力机制的训练表示方法。经过在四个基准数据集上的广泛评估，该方法可以比其他复杂方法更好地实现人物重新识别。

    Jan, 2018

  • 基于原型投影的人物再识别思考

    利用分类器将图像特征投影为类别原型，并将这些原型用作更有区分性的特征来进行人物 Re-ID。提出了一种新的基线模型 ProNet，在推理阶段保留分类器功能，通过分类器对特征进行投影从而学习类别原型，实验证明 ProNet 的性能显著优于之前的模型。

    Aug, 2023