一种新的被遮挡人员再识别师生学习框架
本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法,其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失,旨在解决在人群密集的公共场所中遭遇的遮挡问题,该新问题称为遮挡人物重新识别问题,实验表明该方法优于现有的三个基准方法。
Apr, 2018
提出了一种利用人体解析辅助的 Transformers 解码器构成的 “师生解码器” 框架,用于解决遮挡下的人员重新识别问题,并提出了一个新的基准测试集,该测试集使用非遮挡查询样本,实验证明了该方法的优越性。
Dec, 2023
本篇论文提出了一种新颖的框架,通过学习高阶关系和拓扑信息来实现人物重识别,其中采用了 CNN 和关键点估计模型分别从语义和局部信息两个角度进行特征提取,并将其视为图的节点,提出了自适应方向图卷积层和交叉图嵌入对齐层,通过优化图匹配和节点嵌入来最终匹配人员并在遮挡的数据集上取得了优越的效果。
Mar, 2020
我们在研究中引入了一种名为 PAB-ReID 的新框架,该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题,通过引入人体分割标签来生成更准确的人体部分注意力图,提出了一种细粒度特征聚焦器,以生成精细的人体局部特征表示,并抑制背景干扰,同时设计了部分三元损失来监督人体局部特征的学习,优化了类内 / 类间距离,大量实验证明我们的方法胜过现有的最先进方法。
Apr, 2024
通过 DRL-Net 网络的设计,使用 transformer 架构来实现不需要严格的人像对齐或任何额外监督,通过对局部特征的全局推理来完成 occluded re-ID,同时使用对话查询指导 undefined semantic components 的表征分离,并设计 CFL 技术来更好地分离 occlusion 和 discriminative ID 特征,对遮挡现象进行更好的消除。
Jul, 2021
本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架,采用卷积神经网络进行遮挡检测,Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧,通过与其他先进技术比较分析,我们的方法在各种数据集上展现出鲁棒性,成为现实生活监控系统应用的优秀选择。
Apr, 2023
通过使用集成模型和深度神经网络结构,提出了一种在人员重新识别中处理遮挡的方法,该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明,所提出的方法具有竞争力的排名 - 1 和 mAP 表现。
Mar, 2024
利用区域生成和评估网络(RGANet)有效而高效地检测人体区域并突出重要区域,通过区域生成模块(RGM)和区域评估模块(RAM)解决了现有人物再识别方法中存在的挑战,如失配和遮挡以及外部工具和比对策略带来的不可靠性和噪声敏感性。
Sep, 2023
通过基于变压器编解码器架构的多元部分发现,包括基于像素上下文的变压器编码器和基于部分原型的变压器解码器,我们提出了一种新的端对端的面向部分的变压器,用于处理拥挤情景中受遮挡的人物重识别。实验结果表明,提出的方法在三个任务(受遮挡,部分和整体重识别)的六项基准测试中表现良好。
Jun, 2021