Mar, 2019

STNReID : 使用成对空间变换网络的深度卷积网络进行部分人员重新识别

PDF
TL;DR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。
partial person re-identificationdeep learningspatial transformer networksholistic person datasetstwo-stage training
发现论文，激发创造
  • 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

  • 部分人员再识别的深度空间特征重构：无需对齐的方法

    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

  • 时空人员再识别

    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

  • 学习人物再识别的实例级时空模式

    本文提出了一种新的个性化、时空解耦的人员再识别方法（InSTD）, 其中加入了个性化信息用于狭窄化搜索空间并将空间 - 时间传递概率从联合分布解耦以适应离群值，实验结果表明，我们的方法在 Market-1501 和 DukeMTMC-reID 上的 mAP 分别提高了 8.6％和 16.4％。

    Jul, 2021

  • SCPNet：面向联合全局和部分人员再识别的空间通道并行网络

    本文提出一种空间通道并行网络（SCPNet），用于全局和局部人员再识别，并在四个全局数据集上训练了一个模型，同时在两个局部数据集上表现出优于最先进方法的准确性。

    Oct, 2018

  • TransReID：基于 Transformer 的目标重识别

    本文介绍了基于 transformer 的物体 ReID 方法 TransReID，通过重新排列 patch embeddings，设计新颖的 jigsaw patch module 和 side information embeddings 模块来提高对细节、摄像机视角等因素的鲁棒性，并在多个 ReID 数据集上实现了最优结果。

    Feb, 2021

  • 针对个体重新识别学习身体和潜在部位上的深度上下文感知特征

    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

  • 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

  • 基于时序残差学习的视频行人重识别

    本文提出了一种新颖的特征学习框架，用于视频中的人物再辨识，主要利用视频序列中的适当时间信息和解决运动行人的空间对齐问题，并设计了一个时间残差学习（TRL）模块和一个空间 - 时间转换器网络（ST^2N）模块。经过广泛实验验证，提出的方法在各大数据集上都取得了一致优秀的表现，并超越了绝大多数最新的最先进方法。

    Feb, 2018

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016