ICCVOct, 2019

超越人类身体：用于人员再识别的双部分对齐表示

PDF
TL;DR本文提出了一种基于人体解析模型和自注意力机制获取其它目标区域信息的方法，实现了在三个基准数据集上的最新性能，提高了人物重识别的准确性。
person re-identificationhuman parsingself-attention mechanismcontextual cuesbenchmark
发现论文，激发创造
  • 人物重识别的深度学习部分对齐表示

    本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

    Jul, 2017

  • 人物再识别的人类语义分析

    本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同，我们提出采用人类语义分析来提取局部特征，相应的性能得到了大幅提升，并成为了当前最优方法。此外，我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法，如 Inception-V3 和 ResNet-152，无需修改即可显著提高人物再识别的性能。

    Mar, 2018

  • 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

  • 人物再识别中的属性辅助部位检测与细化

    本文介绍了一种新的人物属性检测方法，利用属性检测来生成相应的局部检测器，提取局部特征来解决人物再识别中的身体部分不对齐问题，并将属性信息与局部描述符相结合以消除检测偏差带来的干扰。该模型在两种常用基准测试上表现良好。

    Feb, 2019

  • 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

  • 针对个体重新识别学习身体和潜在部位上的深度上下文感知特征

    本文提出了一种多尺度背景感知网络（MSCAN）用于学习全身和身体部位的强特征，在每个层中通过堆叠多尺度卷积来捕捉局部上下文知识，并且通过使用新的空间约束来学习局部变形行人部分，并将全身和身体部分的表示学习过程集成到一个统一框架中，通过多类人物识别任务实现了人物再识别，且在当前挑战性大规模人物再识别数据集上，包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集，都取得了最先进的结果。

    Oct, 2017

  • 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

  • 人物再识别的部分损失深度表示学习

    本研究提出一种基于结构风险最小化的深度表示学习方法，同时考虑了经验分类风险和表示学习风险，使用自动生成的图像部分计算人的分类损失，可以更好地聚焦于整个人体，学习出不同部分的区别性表示。三个数据集上的实验证明了该方法的有效性。

    Jul, 2017

  • Deep-Person: 为人物再识别学习辨别性深度特征

    该研究提出了一种名为 Deep-Person 的三分支框架，利用 LSTM 建模行人身体从头到脚的序列，提高局部特征的鉴别能力以及同时学习了鉴别嵌入和相似度测量。实验证明该框架在市场 - 1501，CUHK03 和 DukeMTMC-reID 等三个数据集上，超过了现有的最先进方法，单次查询设置下市场 - 1501 的 mAP 达到了 90.84％。

    Nov, 2017

  • 人物再识别的部分对齐双线性表示

    本文提出了一种新的网络，通过两个流对人体的外观特征和身体部位特征进行提取，使用双线性池化层生成和空间池化对齐后的部分特征图，从而有效地解决了人体部位错位问题，并且在不需要对其进行任何标注的情况下对整个网络进行训练。

    Apr, 2018