可解释且具有泛化性的人员重新识别方法：使用查询自适应卷积和时序上升法

ECCVApr, 2019

可解释且具有泛化性的人员重新识别方法：使用查询自适应卷积和时序上升法

Interpretable and Generalizable Person Re-Identification with Query-Adaptive Convolution and Temporal Lifting

Shengcai Liao, Ling Shao

TL;DR研究如何直接在深度特征图中设计局部对应，并构建查询自适应卷积核以实现局部匹配，通过构建类内存模块进一步简化训练，获得比流行学习方法更好的结果，提出了一种无模型的基于临时共存的打分权重方法 TLift，并在跨数据集的人物复识别中取得了最先进的结果。

Abstract

For person re-identification, existing deep networks often focus on representation learning. However, without transfer learning, the learned model is fixed as is, which is not adaptable for handling various unseen scenarios. In this paper, beyond representation learning, we consider ho

person re-identification deep feature maps query-adaptive convolution metric learning tlift

发现论文，激发创造

针对个体再识别的时间模型适应

本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。

Jul, 2016

基于大适应边际学习的深度排名模型用于人员再识别

本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

Jul, 2017

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

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

深度联合学习多损失分类的个体重识别

本文提出了一种使用 CNN 联合学习局部和全局特征的方法，用于重新识别目标，实现了对多任务的优化，通过优化多任务的联合损失函数，达到一种损失函数的平衡，该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。

May, 2017

TransMatcher：一种利用 Transformer 实现深度图像匹配的通用人员重识别方法

本文认为转换器由于缺乏图像之间的关注而不适用于图像匹配，因此提出了一种简化的解码器，称为 TransMatcher，它在一些流行的数据集中实现了最先进的表现以进行泛化人员再识别。

May, 2021

基于深度循环卷积网络的视频行人再识别：一种端到端的方法

本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

Jun, 2016

基于姿态驱动的深度卷积模型用于人物再识别

该论文提出了一种基于姿态驱动的卷积神经网络模型，利用人体部位信息从全局及局部层面进行特征提取和匹配，进一步设计了自适应特征融合子网络，实现了对行人重识别任务中姿态变化的准确探测和学习，在三个公开数据集上均超越了现有的最佳方法。

Sep, 2017

迁移学习行为与人 - 物交互问题解答模型

本文提出了一种利用局部和全局上下文的深度卷积神经网络模型来预测静态图像中的人类活动标签，实现了对两个数据集上数百个标签的最先进性能。我们使用多实例学习来处理缺乏对单个人实例级别的监督的情况，并使用加权损失来处理不平衡的训练数据。此外，我们展示了如何利用这些数据集训练的专业特征来提高视觉问答任务（Visual Question Answering）的准确性，并取得了对人活动和人 - 物关系两种问题的改进。

Apr, 2016

通过张量特征融合提升人物重识别

本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别（PRe-ID）系统，该方法利用预训练的 CNN 进行高级特征提取，结合局部极大出现（LOMO）和高斯之高斯（GOG）描述符。此外，使用跨视图二次判别分析（TXQDA）算法进行多线性子空间学习，在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。

Dec, 2023