IJCAIJul, 2019

面向行人属性识别的属性感知池化

PDF
TL;DR通过设计新颖的属性感知池化算法，本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题，充分利用不同属性之间的相关性解决多属性分类的挑战，并在基准数据集上进行了实验验证。
deep convolutional neural networkspedestrian attribute recognitionmulti-attribute dataattribute aware poolingcorrelation between different attributes
发现论文，激发创造
  • 人群中的属性感知行人检测

    针对密集环境下行人检测中存在的遮挡和高度拥挤等问题，本文提出了一种基于属性感知的行人检测器，采用深度学习框架，利用属性特征进行检测和区分，引入了基于属性特征的非极大值抑制，设计了一种新的数据集以缓解训练过程中的困难，实验表明该方法在行人检测方面优于目前的最新方法。

    Oct, 2019

  • 行人属性识别：一份调查

    介绍了现有的人行属性识别方法，包括传统方法和基于深度学习网络的方法，同时分析了多种学习算法和网络架构，总结出可行的研究方向，并给出实验结果的性能评估。

    Jan, 2019

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题，其中使用最大池化的弱监督目标检测技术来训练属性特征图，并通过检测响应大小的回归来预测属性标签，通过对检测层激活图的融合加权聚类，可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。

    Nov, 2016

  • 多任务 CNN 模型用于属性预测

    本研究提出了一种联合多任务学习算法，利用深度卷积神经网络（CNN）更准确地预测图像属性。研究考虑通过多任务 CNN 模型学习二进制语义属性，每个 CNN 将预测一个二进制属性。多任务学习允许 CNN 模型在不同属性类别之间共享视觉知识，进而进一步应用于属性预测之中。

    Jan, 2016

  • 利用弱监督的多尺度属性特定定位改善行人属性识别

    提出适用于行人属性识别的属性定位模块 (ALM)，以自适应方式发现最具有区分性的区域并学习每个属性的区域特征，并引入特征金字塔架构以实现低水平的属性特定局部化。

    Oct, 2019

  • 用于属性改进的属性：属性分类的多任务网络

    通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

    Apr, 2016

  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018

  • 端到端模型中的深度视角感知行人属性推断

    本文介绍了一个基于端到端学习框架的人行属性推断方法，将其作为多标签图像分类任务，以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。

    Jul, 2017

  • 面向细粒度视觉分类的上下文感知注意池化 (CAP)

    提出了一种基于上下文感知的注意力池化（CAP）方法和特征编码技术，可以有效地捕获子像素梯度，无需边界框和 / 或可区分的部分注释，从而学习关键部位的特征表示。经过在六个最先进的骨干网络和八个基准数据集上的评估，该方法在六个数据集上表现显著优于最先进的方法，并且在其余两个数据集上非常有竞争力。

    Jan, 2021

  • 基于时间注意力机制的视频行人属性识别方法

    本研究提出了一种基于视频的多任务模型与时间注意策略相结合的新网络结构，解决行人属性识别方面的挑战。同时，本文还公开发布了两个新的大规模视频数据集，用于展示该方法的有效性。

    Jan, 2019