Nov, 2018

无参数空间注意力网络用于人员再识别

PDF
TL;DR本研究提出了一种新的参数 - free 的空间注意力层来建模高层特征之间的空间关系，该层相比于没有该层的模型有显著的性能改进，并在四个基准测试中实现了最先进的结果，其中 Market-1501 的 rank-1 准确度为 94.7％，DukeMTMC-ReID 的 rank-1 准确度为 89.0％，CUHK03-labeled 和 CUHK03-detected 的 rank-1 准确度分别为 74.9％和 69.7％。
global average poolingspatial attention layerperson re-identificationspatial relationsconvolutional neural network
发现论文，激发创造
  • 关系感知全局注意力实现人员再识别

    本研究提出了一种关系感知全局注意力 (RGA) 模块，可以全面抓取全局结构信息以增强特征表示能力，实现了人员复识别 (Re-id) 领域的最新技术成果.

    Apr, 2019

  • 人物再识别的二阶非局部注意力网络

    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

  • 视频行人再识别中的联合注意力时空池化网络

    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

  • 人员再识别关系网络

    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

  • 利用自适应采样的锐利注意力网络进行人员再识别

    本文提出了一种新的尖锐关注网络，通过用卷积神经网络（CNN）的特征图自适应地采样人员再识别（re-ID）问题，从而生成更加尖锐的关注特征屏蔽蒙版，能够更有效地筛选弱相关的特征，通过可微分的 Gumbel-Softmax 采样器进行训练，实验结果表明，这种新型尖锐关注模型在三项挑战性基准测试中优于其他最先进的方法。

    May, 2018

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    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

  • 利用视觉注意力进行人员再识别

    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

  • AaP-ReID: 改进的注意力感知人员再识别

    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

  • 基于多样性正则化的时空关注力视频人物再识别

    提出了一种新的时空注意力模型，可以自动发现多样化的特征，并使用空间和时间的注意力组合提取有用的信息，从整个视频序列中学习潜在的面部、躯干和其他身体部位的隐藏表示，通过三个数据集的评估发现算法优于现有方法。

    Mar, 2018

  • 基于 3D 卷积网络和非局部注意力的基于视频的人员再识别

    本研究旨在解决视频行人重新识别中的空间对齐问题和时间依赖性问题，提出了一种使用 3D 卷积和非局部块进行特征聚合的网络架构，实验结果表明该方法在多个指标上的性能均优于现有技术。

    Jul, 2018