SCPNet:面向联合全局和部分人员再识别的空间通道并行网络
本研究提出一种基于空间变换网络的深度偏分人员再识别框架,可以用于与整体身份图像匹配。实验结果表明,该框架在偏分人员再识别任务中达到了与最先进方法相当的准确率。
Mar, 2019
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
本篇论文提出了一种新的联合空间和时间注意力池化网络(ASTPN)用于基于视频的人物再识别,能让特征提取器意识到当前输入的视频序列,而空间和注意力时间池化层都能从距离匹配信息中筛选出有代表性的人物并对其进行学习,实验证明可以优于现有的 state-of-the-art 方法。
Aug, 2017
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
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
本研究提出了一种新的两流空间 - 时间人物重新识别(st-ReID)框架,该框架挖掘了视觉语义信息和空间 - 时间信息,引入 Logistic Smoothing(LS)联合相似性度量,使用快速直方图 - Parzen(HP)方法近似复杂的空间 - 时间概率分布,消除了很多无关图像,在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性,进步幅度达到了先前方法的很大程度。
Dec, 2018
本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同,我们提出采用人类语义分析来提取局部特征,相应的性能得到了大幅提升,并成为了当前最优方法。此外,我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法,如 Inception-V3 和 ResNet-152,无需修改即可显著提高人物再识别的性能。
Mar, 2018
本文提出了一种新颖的网络,称为空间时间补全网络 (STCnet),以明确解决视频人员重新识别 (re-ID) 中的部分遮挡问题。通过将重新识别网络与 STCnet 相结合,提出了一个对部分遮挡具有鲁棒性的视频重新识别框架 (VRSTC),在三个具有挑战性的视频重新识别数据集上的实验证明了该方法的超越性。
Jul, 2019
提出了一种名为 HBFP-Net 的模型,使用低秩双线性池化模型来建模跨层级特征对的相关映射,并利用双向特征感知模块来丰富高层特征的注意力区域,成功提高了行人再识别的性能。
Aug, 2020
本文提出了一种基于 STMN 的新型人员 reID 方法,通过存储频繁出现在视频帧中的空间干扰和优化人员视频的典型时间模式的注意力,实现了对人员视频中的空间和时间干扰的有效处理。
Aug, 2021