Aug, 2019

全局 - 局部时间表示用于视频行人再识别

PDF
TL;DR本文提出了全局 - 局部时间表征（GLTR）的方法，以利用视频序列中的多尺度时间线索进行视频人物重新识别。这种方法通过对相邻帧中的短时时间线索进行建模，然后捕捉不连续帧之间的长期关系来构建。其中，短期时间线索是通过不同的时间扩张率平行膨胀卷积来表示行人的运动和外貌。利用时间自我注意模型来捕捉长期关系，以减轻视频序列中的遮挡和噪音。最终，通过简单的单流卷积神经网络将短期和长期时间线索聚合形成 GLTR。在四个广泛使用的视频 ReID 数据集上，GLTR 相对于基于身体部分线索或度量学习学习到的现有特征表现出显著的优越性。例如，在 MARS 数据集上，它取得了 87.02％的 Rank-1 精度，而且没有经过一次排序，优于目前的最新技术水平。
发现论文，激发创造
  • 全球引导下的视频人物再识别的互相学习

    该论文提出了一种新颖的全球引导的互逆学习（GRL）框架，其中包括全局引导相关估计（GCE）和时态互逆学习（TRL）机制，用于视频人员重新识别，可以更好地利用视频中的空间和时间线索，并在三个公共基准上实现了比其他现有技术更好的表现。

    Mar, 2021

  • 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

  • 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

  • 3D PersonVLAD: 学习深度全局表示进行基于视频的人员再识别

    本研究提出了一种全局视频表示法，用于基于视频的人员重新识别，并通过 3D PersonVLAD 模型中的全局视频表示法，结合 3D ConvNets 和 3D 局部对齐模块来捕捉全长视频中的外观和运动动态，最终取得了最先进的结果。

    Dec, 2018

  • 重新审视基于视频的人员再识别的时间建模

    该文综合研究和比较了视频人员重识别的四种不同的时间建模方法，包括时间汇聚，时间关注，RNN 和 3D 卷积神经网络，并提出了一个采用时间卷积的注意力生成网络，用于在帧之间提取时间信息。在 MARS 数据集上进行评估，并通过一大部分超越了最新技术的方法。

    May, 2018

  • 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

  • 基于视频的行人再识别与长短期表示学习

    提出了一种名为长短期表示学习（LSTRL）的新型深度学习框架，通过多粒度外观提取器（MAE）和双向运动估计器（BME）有效地提取长期和短期信息，显著改善了视频行人重新识别（V-ReID）的特征表示能力。实验证明，该方法在三个广泛使用的基准测试上表现出更好的性能。

    Aug, 2023

  • 基于时空变换器的视频行人重新识别

    本研究将 Transformer 应用于基于视频的人体再识别，提出一种新的基于预训练的模型，并使用感知约束的时空 Transformer 模块和全局 Transformer 模块转换到下游域，取得了显著的准确率提高。

    Mar, 2021

  • GLAD：全局 - 局部对齐描述符用于行人检索

    本文提出了一个新的人物重识别的框架，该框架利用全局 - 本地对齐描述符并采用高效的索引与检索机制，通过提取人物局部区域和使用深度神经网络进行局部和全局区域的表示学习，实现了与现有最先进技术相媲美的准确度和在线重识别加速的效果。

    Sep, 2017