注意力驱动的人物识别
本研究提出了一种新的人物再识别关系网络,考虑了个体身体部位之间以及部位与其他部位之间的相互关系,有效提高了特征辨别能力,同时使用全局对比池化方法获取人物图像的全局特征,该方法已在多个数据集上实证表明其优越性。
Nov, 2019
我们在研究中引入了一种名为 PAB-ReID 的新框架,该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题,通过引入人体分割标签来生成更准确的人体部分注意力图,提出了一种细粒度特征聚焦器,以生成精细的人体局部特征表示,并抑制背景干扰,同时设计了部分三元损失来监督人体局部特征的学习,优化了类内 / 类间距离,大量实验证明我们的方法胜过现有的最先进方法。
Apr, 2024
论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法,可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像,成功地在 CUHK01,CUHK03 和 Market 1501 数据集上超越了现有的先进方法。
Jul, 2017
本文提出了一种多尺度背景感知网络(MSCAN)用于学习全身和身体部位的强特征,在每个层中通过堆叠多尺度卷积来捕捉局部上下文知识,并且通过使用新的空间约束来学习局部变形行人部分,并将全身和身体部分的表示学习过程集成到一个统一框架中,通过多类人物识别任务实现了人物再识别,且在当前挑战性大规模人物再识别数据集上,包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集,都取得了最先进的结果。
Oct, 2017
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
对于人物重新识别的挑战,本研究以在图像库中识别特定个体为主要目标,改进了现有的重新识别方法,并提出了 AaP-ReID,一种将通道注意力融入 ResNet 架构的人物重新识别更有效的方法。经过在三个基准数据集上的评估,相较于现有方法,在 Market-1501 上达到 95.6% 的准确率,DukeMTMC-reID 上达到 90.6% 的准确率,并在 CUHK03 上达到 82.4% 的准确率。
Sep, 2023
该论文提出了一种基于注意力机制与二阶特征统计量的新型算法,可以直接建模长距离的特征图关系,同时将该算法与广义的 DropBlock 模块相结合,能够在主流的行人再识别数据集中表现优异。
Aug, 2019
本论文提出了一种具有 Siamese attention architecture 的模型,在视频中提取本地卷积特征,并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性,以解决视频中行人匹配的问题,并在三个基准数据集上取得了良好的效果。
Aug, 2018