Jul, 2019

PH-GCN: 基于部分层次图卷积网络的人员再识别

PDF
TL;DR本文提出了一种名为 Part-based Hierarchical Graph Convolutional Network（PH-GCN）的深度学习框架，用于人物重识别问题。通过信息交互，PH-GCN 在全局、局部和结构特征学习上同时进行，提高了 Re-ID 的效果。
person re-identificationpart-based representation modelsdeep learning frameworkhierarchical graph convolutional networkfeature learning
发现论文，激发创造
  • 人员再识别关系网络

    本研究提出了一种新的人物再识别关系网络，考虑了个体身体部位之间以及部位与其他部位之间的相互关系，有效提高了特征辨别能力，同时使用全局对比池化方法获取人物图像的全局特征，该方法已在多个数据集上实证表明其优越性。

    Nov, 2019

  • 视频人员再识别的自适应图表示学习

    提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

    Sep, 2019

  • 基于图形的人物签名重识别方法

    本文提出了一种新的方法，将细节人物描述（属性标签）和视觉特征（身体部位和全局特征）聚合成一个图形，即基于图形的人物签名，并利用图形卷积网络学习人物视觉签名的拓扑结构，并将其集成到多支路多任务框架中用于人物重新识别，并在两个大规模数据集上展示了我们所提出方法的有效性，包括 Market-1501 和 DukeMTMC-ReID，我们的方法在状态下的竞争结果中表现出较强的优势。

    Apr, 2021

  • 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

  • 基于多粒度超图的视频人员再识别学习

    本研究提出了一种新的基于图的框架，即多粒度超图（MGH），通过建模多个粒度的时空依赖性来追求更好的表征能力，从而解决视频中人员再识别任务中的关键问题，并且通过多种基准测试表现出了优异的性能。

    Apr, 2021

  • 高阶信息的重要性：学习遮挡人员再识别的关系和拓扑

    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

  • 多粒度学习区分特征在行人再识别中的应用

    本文提出了一种多粒度深度网络 MGN，将全局特征与多种局部特征相结合，将图像实现均匀划分为多个条带进行训练，进一步提高了人物再识别任务的性能表现。在包括 Market-1501、DukeMTMC-reid 和 CUHK03 等主流评估数据集上，我们的方法均实现了最先进的表现并超过了任何现有方法。例如，在 Market-1501 数据集中，在单个查询模式下，经过重新排序，我们实现了 96.6%/94.2% 的 Rank-1/mAP 的最先进结果。

    Apr, 2018

  • 像素级图注意力网络的人物再识别

    探索图注意力网络在图像特征提取中的应用，通过图生成算法将图像转换成图，并利用图注意力网络更新节点特征，设计了基于像素的图注意力网络应用于人员再识别任务，在多个数据集上都取得了优于现有方法的性能。

    Jul, 2023

  • 基于关键点消息传递的视频行人重识别

    本文提出了一种基于人体关节特征的人物重识别方法，通过采用图卷积网络与卷积神经网络相结合的方式解决了运动带来的误差问题。在 MARS 数据集和 PoseTrackReID 数据集上，该方法在 top-1 准确性和平均精度方面均优于前人工作，定义了新的最先进方法。

    Nov, 2021

  • 人物重识别的深度学习部分对齐表示

    本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

    Jul, 2017