Feb, 2019

动物个体再识别的相似度学习网络 —— 超越人类观察者的能力

PDF
TL;DR展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。
发现论文，激发创造
  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 利用计算机视觉技术从相机陷阱数据中重新识别动物的过去、现在和未来方法

    通过使用计算机视觉和深度学习的新方法，生态学家可以提取图像 / 视频数据中的动物并训练深度学习分类器以重新识别动物个体，从而从根本上改变相机陷阱数据的分析方式并革命动物生态学方法。

    Nov, 2018

  • 多层相似度实现高效深度人员再辨识

    本文提出基于多层级相似度计算的、高效的全卷积 Siamese 网络，使用卷积层、空间变形网络和深度可分离卷积等技术，在 Person Re-Identification 问题上实现有效的结果。

    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

  • 基于门控连体卷积神经网络的人体再识别架构

    本文提出了一种用于跨摄像头匹配行人的人体再识别框架，通过引入一个选择性强化细粒度共有的局部模式的门控函数，将同一身份的图像向量嵌入到特征空间中更密集的区域，提高了再识别的性能。在 CUHK03、Market-1501 和 VIPeR 数据集上的实验证明，与基线 Siamese CNN 架构相比，该框架表现更优。

    Jul, 2016

  • 牛只再识别的多视图嵌入

    研究使用深度卷积神经网络实现牲畜重新识别，将该任务与人类重新识别任务进行比较，并探讨其独特挑战，并通过与基于深度架构和标准机器学习算法的不同基线进行比较，并展示了丰富的剖析研究以进一步研究该任务的独特特性。

    Feb, 2019

  • 利用非常深的卷积神经网络在相机陷阱图像中识别动物物种，实现野生动物的自动监测

    使用深度卷积神经网络在野外通过摄像监控自动识别动物种类的方法，优于之前的尝试，证明了在摄像监控的图像中，识别可以自动化。

    Mar, 2016

  • 人物再识别的判别式学习卷积神经网络嵌入

    本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

    Nov, 2016

  • 弱监督下的孪生网络人体活动识别

    本文提出了一个由多个孪生网络组成的模型，仅使用关于数据样本对之间相似性的信息进行训练，而无需明确标记的数据样本，从而将活动数据样本映射为固定大小的表示向量，使表征空间中的向量之间的距离近似于输入空间中数据样本的相似性，因此该训练模型可以作为一种度量标准用于各种不同的聚类算法，文中通过对三个数据集进行评估，验证了该模型在连续人体活动序列的分割和识别方面的有效性。

    Jul, 2023

  • 基于一次学习的四元组网络的快速视觉目标追踪

    本文提出了一种基于四元组深度网络的新方法以应对样本数据的潜在关联性，该方法在视觉物体跟踪中的性能优于其他模型并具有较快的处理速度。

    May, 2017