AAAIJul, 2019

学习解析度不变深度人物再识别表示

PDF
TL;DR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。
person re-identificationresolution adaptationcross-resolutionadversarial learningsemi-supervised
发现论文，激发创造
  • 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

  • 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

  • 低分辨率信息也很重要：学习多分辨率的人员再识别表示

    本文提出了一种名为 MRJL 的跨分辨率人物再识别方法，其通过分辨率重构网络和双特征融合网络提取并融合了多分辨率图像中的有效信息，并在五个基准测试中取得了优于现有方法的效果。

    May, 2021

  • 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

  • 多尺度资源感知人员重新识别

    本研究提出了一种个体重新识别模型，该模型结合了在多个卷积网络层上构建的有效嵌入，采用了深度监督技术进行训练，能够在资源受限情况下有效地权衡准确性和计算性能。在传统的重新识别基准测试中，我们的方法在所有五个数据集上都明显优于以前的最新结果。

    May, 2018

  • 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

  • 尺度不变的人员再识别

    本论文提出了一种通过前景聚焦超分辨率模块和分辨率不变特征提取器的共同训练，从而学习对分辨率变化鲁棒的人员特征表示。经过在 5 个数据集上的评估，该方法表现出明显的优越性，比现有解决方案提高 2.9% 至 2.6%。

    Jun, 2019

  • 适应性和再认网络：一种无监督的深度迁移学习方法用于人员再认证

    该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

    Apr, 2018

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 面向人员再识别的语义对齐表示学习

    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。

    May, 2019