面向人员再识别的语义对齐表示学习

AAAIMay, 2019

面向人员再识别的语义对齐表示学习

Semantics-Aligned Representation Learning for Person Re-identification

Xin Jin, Cuiling Lan, Wenjun Zeng, Guoqiang Wei, Zhibo Chen

TL;DR本论文提出了一种通过细致的监督设计，驱动重新识别网络学习语义对齐特征表示的框架，其中包括了一个带编码器（SA-Enc）的 Semantics Aligning Network (SAN) 用于重新识别，以及一个解码器（SA-Dec）用于重建 / 回归密集语义对齐全纹理图像，并在三元组 ReID 约束下增加感知损失，以确保推断的计算效率。该设计取得了基准数据集 CUHK03，Market1501，MSMT17 和部分人物重新 ID 数据集 Partial REID 等的最佳表现。

Abstract

person re-identification (reID) aims to match person images to retrieve the ones with the same identity. This is a challenging task, as the images to be matched are generally semantically misaligned due to the diversity of human poses and capture viewpoints, incompleteness of the visib

person re-identification semantics aligning network supervision designs triplet reid constraints state-of-the-art performances

发现论文，激发创造

文本 - 图像语义自对齐网络用于部位感知的人员再识别

本文提出了一种语义自对齐网络 (SSAN)，旨在解决文本到图像中的人物再识别 (text-to-image person re-identification) 中的问题。SSAN 使用一个新颖的手段 —— 自动从两种模态提取语义对齐的部分级特征，并通过设计一个多视角非局部网络来捕捉身体部分之间的关系，从而建立更好的身体部位和名词短语之间的对应关系。此外， SSAN 还引入了一种 Compound Ranking (CR) loss，利用同一身份的其他图像的文本描述提供额外的监督，从而有效地降低文本特征的类内差异。经过广泛的实验，证明了该方法在性能上优于现有的最先进方法和一些高级算法，并提供了新的 ICFG-PEDES 数据集和 SSAN 代码。

Jul, 2021

密集语义对齐的人员再识别

本研究提出了一种基于密集语义对齐的人员再识别框架，通过利用人图像的密集语义估计，构建了一组密集语义对齐的部分图像，设计了一个两流网络，其中一个流具有密集语义对齐，它通过引导主全流学习来解决不同图像之间的身体不对齐问题。最终，在 CUHK03、CUHK01 和 Market1501 数据集上将表现优于现有方法，最高 rank-1 精度达到 95.7％。

Dec, 2018

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

人物再识别的人类语义分析

本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同，我们提出采用人类语义分析来提取局部特征，相应的性能得到了大幅提升，并成为了当前最优方法。此外，我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法，如 Inception-V3 和 ResNet-152，无需修改即可显著提高人物再识别的性能。

Mar, 2018

人物再识别的全局和组件化的语义表示自监督学习

通过使用交互式分割模型（ISM）进行自适应的基于部位的语义提取，本文提出了 SemReID，一种自我监督的 ReID 模型，通过技术手段（如图像遮罩和 KoLeo 正则化）改进其语义表示，证明了其在三种类型的 ReID 数据集上具有优越的性能，并引入了 LUPerson-Part 数据集来增强对细粒度部位语义的获取，以提高鲁棒性。

Nov, 2023

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

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

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

面向终身人员再识别的分布对齐语义适应

在本文中，我们提出了一种适应分布匹配语义调整（Distribution Aligned Semantics Adaption，简称 DASA）框架，通过有效地调整 BN 以减轻数据分布差异的干扰并冻结预训练的卷积层来保留共享知识，其显著降低存储消耗，优于先进的生命周期行人重新识别方法，是一种创新且经济高效的适应预训练模型进行生命周期行人重新识别的方法。

May, 2024

学习鲁棒的视觉语义嵌入，实现通用的人员再识别

该论文提出了一种叫做 MMET 的多模态等价 Transformer，可用于更加鲁棒的视觉 - 语义嵌入学习和人物重新识别，同时还引入了一种动态的遮罩机制，叫做 MMM，它可以加强其他模态的特征学习，从而提高性能。

Apr, 2023