人物检索的上下文图学习

CVPRApr, 2019

Learning Context Graph for Person Search

Yichao Yan, Qiang Zhang, Bingbing Ni, Wendong Zhang, Minghao Xu...

TL;DR本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

Abstract

person re-identification has achieved great progress with deep convolutional neural networks. However, most previous methods focus on learning individual appearance feature embedding, and it is hard for the models to handle difficult situations with different illumination, large pose v

person re-identification convolutional neural network contextual instance expansion graph learning framework probe-gallery pair

发现论文，激发创造

面向场景的图卷积网络在目标重新识别中的应用

本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。

Dec, 2020

统一身份认证和环境学习以进行人员识别

本文提出了一种新的人物识别框架：区域注意力网络，它能够以实例相关的方式自适应地组合不同的视觉线索，并学习社交上下文和人物身份的推理，从而在复杂的环境中大幅提高了鲁棒性。

Jun, 2018

基于多注意力上下文图的组群再识别学习

本文提出了一种基于图神经网络的统一框架，用于同时解决基于组的重新识别任务，即组重新识别和组感知人重新识别，并构建了一个包含超过 3.8K 张图片和 1.5K 注释组的新组重新识别数据集，清楚地证明了所提出的框架对于基于组的重新识别任务的有效性。

Apr, 2021

面向上下文的人头部检测 CNN

本研究利用全局 CNN 模型和成对 CNN 模型来检测自然场景下的人头部位，通过引入新的数据集进行测试，结果显著提高了人头部位检测的准确性，并优化了检测速度。

Nov, 2015

弱监督下基于视觉语境的人物搜索研究

该论文提出了一种弱监督的人物搜索模型，通过三种层次的上下文线索（检测、记忆和场景）来提高模型的判别能力和聚类准确性，在 CUHK-SYSU 数据集上取得了 80% 的平均精确度，并且在性能上甚至可以与一些有监督的模型媲美。

Jun, 2021

使用深度相似度引导的图神经网络进行人员重新识别

该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。

Jul, 2018

视频人员再识别的自适应图表示学习

提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

Sep, 2019

人员搜索的联合检测和身份识别特征学习

提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。

Apr, 2016

基于知识图谱的上下文驱动视觉对象识别

通过将语境知识编码到知识图中，提高深度学习方法的鲁棒性，增强物体识别模型对于跨领域和真实世界场景的表现。

Oct, 2022

通过联合表示学习实现的人员再识别深度排名

该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法，通过建立统一的深度排名框架来解决特征工程和评价设计的问题，并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性，在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法，具有更好的泛化能力。

May, 2015