自动 ReID: 搜索支持部位识别的人员 Re-Identification 卷积网络

ICCVMar, 2019

自动 ReID: 搜索支持部位识别的人员 Re-Identification 卷积网络

Auto-ReID: Searching for a Part-aware ConvNet for Person Re-Identification

Ruijie Quan, Xuanyi Dong, Yu Wu, Linchao Zhu, Yi Yang

TL;DR本研究提出 Auto-ReID 算法，利用检索式搜索算法设计一个适用于特定的 Person re-identification 任务的卷积神经网络，通过神经架构搜索技术实现自动构建，实验证明与其他算法相比，减少了 50% 的网络参数和 53% 的计算量。

Abstract

Prevailing deep convolutional neural networks (CNNs) for person re-IDentification (reID) are usually built upon ResNet or VGG backbones, which were originally designed for classification. Because reID is different from classification, the architecture should be modified accordingly. We propose to automatically search for a CNN architecture that is specifical

person re-identification convolutional neural network neural architecture search retrieval-based search algorithm efficient cnn architecture

发现论文，激发创造

使用卷积神经网络实现结构化深度哈希，以便快速进行人员再识别

本文提出了一个基于深度学习的哈希框架，通过同时学习 CNN 特征和哈希函数 / 码，解决了行人再识别中匹配效率低的问题，即通过计算和排名图像间的汉明距离来实现快速的再识别。通过在正对和负对之间定义的结构化损失函数，提出了一个新的优化问题。该方法在两个基准测试数据集 CUHK03 和 Market-1501 上的大量实验表明，其比现有技术更加有效。

Feb, 2017

基于深度空间的人员重新识别架构搜索

为了设计轻量级的适合于人物重识别的网络架构，本文提出了一种名为 Combined Depth Space (CDS) 的搜寻空间，并通过差分可搜索算法搜索出一种高效的网络架构 CDNet，分别采用 Top-k Sample Search 分支避免局部最优解以及 Fine-grained Balance Neck (FBLNeck) 细粒度的策略，使得 CDNet 在参数量较少的情况下具有与同类轻量级网络相当的表现。

Apr, 2021

基于深度属性的多摄像头行人重新识别

为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

May, 2016

Re-ID done right: 人员重新识别的良好实践

本文介绍了一种基于简单的深度架构的策略，通过精细地设计架构的每个组件以及有效训练来实现人物重新识别的最佳实践，其能够比复杂的具有补充部件的方法更好地定位和对齐具有识别性的图像区域，并提出了一种类似于隐式注意力机制的训练表示方法。经过在四个基准数据集上的广泛评估，该方法可以比其他复杂方法更好地实现人物重新识别。

Jan, 2018

学习视角特定的深度网络进行人员再识别

本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018

人员再识别任务的深度学习技术调查

通过对比基准数据集，研究了目前在智能视频监控和机器学习技术领域中，用于人员再识别的深度神经网络模型的表现及局限性，为未来的研究提供了基础。

Jul, 2018

多尺度资源感知人员重新识别

本研究提出了一种个体重新识别模型，该模型结合了在多个卷积网络层上构建的有效嵌入，采用了深度监督技术进行训练，能够在资源受限情况下有效地权衡准确性和计算性能。在传统的重新识别基准测试中，我们的方法在所有五个数据集上都明显优于以前的最新结果。

May, 2018

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

PersonNet: 使用深度卷积神经网络进行人员再识别

本文提出了一个端对端深度神经网络，用于同时学习高级特征和相应的相似性度量，用于人物再识别。我们的方法通过 10 个加权层和非常小的卷积过滤器提高了相似度测量的准确性，在 CUHK03 和 Market-1501 等数据集上一致优于现有算法。

Jan, 2016

学习解析度不变深度人物再识别表示

本文提出一种名为 RAIN 的网络架构，通过对抗学习的策略来提取具有分辨率不变性的表示，从而解决跨分辨率人物重新识别的问题，实验表明所提出的模型可以识别低分辨率的查询图像，并可以用于半监督重新识别。

Jul, 2019