Sep, 2019

视频人员再识别的自适应图表示学习

PDF
TL;DR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。
deep learningvideo person re-identificationgraph representation learningfeature propagationtemporal resolution-aware regularization
发现论文，激发创造
  • 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

  • 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

  • PH-GCN: 基于部分层次图卷积网络的人员再识别

    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。

    Jul, 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

  • 基于深度循环卷积网络的视频行人再识别：一种端到端的方法

    本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

    Jun, 2016

  • 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

  • 基于 3D 卷积网络和非局部注意力的基于视频的人员再识别

    本研究旨在解决视频行人重新识别中的空间对齐问题和时间依赖性问题，提出了一种使用 3D 卷积和非局部块进行特征聚合的网络架构，实验结果表明该方法在多个指标上的性能均优于现有技术。

    Jul, 2018

  • 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

  • 基于多注意力上下文图的组群再识别学习

    本文提出了一种基于图神经网络的统一框架，用于同时解决基于组的重新识别任务，即组重新识别和组感知人重新识别，并构建了一个包含超过 3.8K 张图片和 1.5K 注释组的新组重新识别数据集，清楚地证明了所提出的框架对于基于组的重新识别任务的有效性。

    Apr, 2021

  • 针对个体再识别的时间模型适应

    本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。

    Jul, 2016