MMMay, 2019

自适应光照人员重识别

PDF
TL;DR本文提出了 “IA-ReID”（Illumination-Adaptive Person Re-identification）这一针对不同照明条件下进行人物图像重识别的问题的解决方案，即采用 “IID”（Illumination-Identity Disentanglement）网络来解决不同照明下个体身份信息的丢失问题，并通过构建两个大规模模拟数据集和测试真实世界的图像来验证该方案的有效性。
person re-identificationillumination variationsia-reidillumination-identity disentanglement networksimulated datasets
发现论文，激发创造
  • 夜间人物再识别的光照提取框架及新基准

    提出了一种夜间人物重识别的光照提取框架（IDF），通过利用光照增强和光照提取方案来促进重识别模型的学习，在夜间低照明条件下，能够提高夜间人物重识别方法的性能并且建立了一个新的实际数据集 Night600 用于评估。

    Aug, 2023

  • 通过综合实现域自适应以进行无监督的人员重新识别

    本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题，取得了与监督技术相当的效果。

    Apr, 2018

  • 通过劣化不变性学习进行现实世界的人员重新识别

    本文提出了一个用于实现真实场景下的人物再识别的降解不变性学习框架，该框架采用了自我监督的分解表示学习策略，能够同时提取身份相关的强健特征，并消除真实世界中存在的降解，同时在低分辨率图像上实现了最先进的识别效果。

    Apr, 2020

  • 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

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

    Dec, 2022

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 跨分辨率对抗双网络在人员身份识别及其扩展中的应用

    通过提出的生成对抗网络方法，该论文给出了一个用于解决跨分辨率人员重识别问题的方法，具有较强的抗噪能力和可泛化性。

    Feb, 2020

  • 视频排名中基于判别性选择的人员再识别

    本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

    Jan, 2016

  • 恢复和识别：一种用于跨分辨率人员再识别的生成对偶模型

    本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

    Aug, 2019

  • 学习分解表示以实现强固的人员再识别

    本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

    Oct, 2019