CVPRJul, 2019

VRSTC：无遮挡视频人物再识别

PDF
TL;DR本文提出了一种新颖的网络，称为空间时间补全网络 (STCnet)，以明确解决视频人员重新识别 (re-ID) 中的部分遮挡问题。通过将重新识别网络与 STCnet 相结合，提出了一个对部分遮挡具有鲁棒性的视频重新识别框架 (VRSTC)，在三个具有挑战性的视频重新识别数据集上的实验证明了该方法的超越性。
video person re-identificationpartial occlusionstcnetspatio-temporal completionrobust
发现论文，激发创造
  • 基于时空特征的遮挡像素重建端到端框架用于改进行人再识别

    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

  • 基于空间和时间记忆网络的视频人员再识别

    本文提出了一种基于 STMN 的新型人员 reID 方法，通过存储频繁出现在视频帧中的空间干扰和优化人员视频的典型时间模式的注意力，实现了对人员视频中的空间和时间干扰的有效处理。

    Aug, 2021

  • 视频中人物重新识别的时空相关性和拓扑学习

    本文提出了一种新的 CTL 框架来实现视频行人重新识别，其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征，采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征，并通过构建多尺度图形来捕捉分层时空依赖性和结构信息，最终证明了该方法在两个视频基准上实现了最先进的表现。

    Apr, 2021

  • 遮挡下的行人再识别特征补全

    本研究提出了一种 RFM 块，包括 Spatial RFC 和 Temporal RFC 模块，以解决人员再识别中的遮挡问题，并在数据集上测试表明其较传统方法获得了更好的性能。

    Jun, 2021

  • 遮挡序列中步态周期重建和人体识别

    本文提出了一种用于步态识别的神经网络模型，采用 LSTM 预测每个遮挡帧的嵌入，然后融合两个 LSTM 的预测结果，该模型能够重构输入序列中的遮挡帧以提高步态识别准确率，并通过实验验证的测试结果表明，该方法在处理遮挡情况下的步态识别明显优于其他现有的方法。

    Jun, 2022

  • 一种新的被遮挡人员再识别师生学习框架

    本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。

    Jul, 2019

  • BiCnet-TKS: 学习视频人物再识别的高效时空表示

    本文提出了一种高效的时空表示方法 BiCnet-TKS，并通过在原始分辨率和下采样策略上处理连续帧以获取目标身份的全面特征；该模型包含多个并行的和多样化的注意力模块以发现连续帧的不同部位，在任何深度插入 TKS 模块以捕捉短期和长期的时间关系，并在多个基准测试中取得优于先前研究的结果。

    Apr, 2021

  • SCPNet：面向联合全局和部分人员再识别的空间通道并行网络

    本文提出一种空间通道并行网络（SCPNet），用于全局和局部人员再识别，并在四个全局数据集上训练了一个模型，同时在两个局部数据集上表现出优于最先进方法的准确性。

    Oct, 2018

  • 使用具有显式遮挡训练的时空网络进行 3D 人体姿势估计

    借助多尺度空间特征和多步幅时间卷积网络，在设计 A 的基础上，B 通过在训练过程中模拟各种遮挡情况来提高露出度鲁棒性，并利用 2D 视频数据注入半监督学习能力。实验证实了该方法的有效性，并且消融研究表明我们网络的单个子模块的优势。

    Apr, 2020

  • 基于时序残差学习的视频行人重识别

    本文提出了一种新颖的特征学习框架，用于视频中的人物再辨识，主要利用视频序列中的适当时间信息和解决运动行人的空间对齐问题，并设计了一个时间残差学习（TRL）模块和一个空间 - 时间转换器网络（ST^2N）模块。经过广泛实验验证，提出的方法在各大数据集上都取得了一致优秀的表现，并超越了绝大多数最新的最先进方法。

    Feb, 2018