ICCVAug, 2019

人物再识别的二阶非局部注意力网络

PDF
TL;DR该论文提出了一种基于注意力机制与二阶特征统计量的新型算法，可以直接建模长距离的特征图关系，同时将该算法与广义的 DropBlock 模块相结合，能够在主流的行人再识别数据集中表现优异。
person re-identificationpart-based architecturesattention mechanismlong-range relationshipsneural network
发现论文，激发创造
  • 注意力驱动的人物识别

    本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

    Oct, 2018

  • 基于部分注意力模型的遮挡行人重新识别加强

    我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

    Apr, 2024

  • 无参数空间注意力网络用于人员再识别

    本研究提出了一种新的参数 - free 的空间注意力层来建模高层特征之间的空间关系，该层相比于没有该层的模型有显著的性能改进，并在四个基准测试中实现了最先进的结果，其中 Market-1501 的 rank-1 准确度为 94.7％，DukeMTMC-ReID 的 rank-1 准确度为 89.0％，CUHK03-labeled 和 CUHK03-detected 的 rank-1 准确度分别为 74.9％和 69.7％。

    Nov, 2018

  • 用于行人再识别的混合高阶关注网络

    提出了高阶注意力模块和混合高阶注意力网络，用于提高人物再识别的歧视性和注意力知识的丰富性。在三个大型数据库上实验验证了该方法的优越性。

    Aug, 2019

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

    Aug, 2018

  • 利用视觉注意力进行人员再识别

    论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

    Jul, 2017

  • 视频行人再识别的时空高效非局部注意力网络

    本文介绍了一种通过非局部注意力机制，将空间和时间信息嵌入到特征表示中的视频行人重识别方法（NVAN）。实验表明 NVAN 在 MARS 数据集上的排名准确性比现有方法高出 3.8％，STE-NVAN 相比现有方法具有更先进的计算足迹。

    Aug, 2019

  • 用于人员识别的交叉关注网络

    本文提出了一种名为 CCA 的注意力模块，旨在通过最大化不同注意区域之间的信息增益来克服以前的限制，并提出了一种新的深层网络，利用不同的注意力机制学习人物图像的强鲁棒性和判别表现，得到的模型被称为 CCAN，大量实验证明 CCAN 在人物重新识别任务上优于当前状态下的最先进算法。

    Jun, 2020

  • 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

  • 人员再识别的和谐注意力网络

    本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示，优化了未对齐人物图像中的人物重识别，相对于现有的一些方法具有明显的优越性。

    Feb, 2018