Dec, 2019

基于角度正则化的视角感知损失用于人员再识别

PDF
TL;DR提出了一种 Viewpoint-Aware Loss with Angular Regularization（VA-reID）方法，通过将不同视角的特征统一到一个超球体内，有效地模型人物的特征分布，在视角和身份级别上建模.
person re-identificationviewpoint variationangular regularizationfeature distributionviewpoint-aware adaptive label smoothing regularization
发现论文，激发创造
  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 视角感知度量学习的车辆再识别

    提出一种考虑车辆在不同视角下被看到的情况的度量学习方法，利用两种特征空间学习相似视角和不同视角下的两个度量值，得到视角感知网络（VANet），该方法在车辆重新识别方面表现优异，尤其是在不同视角下。

    Oct, 2019

  • RGB - 红外双向指数三元损失用于人员再识别

    本文提出了一种新颖的排名损失函数 Bi-directional Exponential Angular Triplet Loss，并采用常规空间批量归一化层来帮助稳定和学习嵌入向量的大小，以帮助学习一个角度可分的共同特征空间。在 SYSU-MM01 和 RegDB 数据集上进行的定量和定性实验证明了我们分析的有效性。

    Jun, 2020

  • 从视角的角度解析人员再识别

    本研究通过引入可控的整合 3D 人体模型的大规模数据引擎 PersonX，对行人旋转角度对行人再识别准确性的影响进行了定量分析，从而深入研究了旋转角度等视觉因素对行人再识别系统的影响。

    Dec, 2018

  • 基于双高斯分布的变分子空间解缠算法在可见光 - 红外人员再识别中的应用

    本文提出了一种双高斯变分自编码器来解决可见光与红外线人物再识别中的跨模态差异问题，并通过鸳鸯捆绑降低后验崩溃并提高检索性能。

    Aug, 2020

  • 通过对抗训练提升视觉识别的视点稳健性

    通过使用敌对训练的方法，我们提出了一种称为 VIAT 的视角不变敌对训练方法，用于改善图像分类器的视角鲁棒性，并基于 GMVFool 提供了一个大规模数据集 ImageNet-V + 来评估视角鲁棒性。实验结果表明，VIAT 通过 GMVFool 生成的多样敌对视角显著提高了各种图像分类器的视角鲁棒性，并从理论角度提出了一种可靠的视角鲁棒性方法 ViewRS。

    Jul, 2023

  • 基于形状中心的可见 - 红外人员再识别表示学习

    提出了一种以形状为中心的表示学习框架 (ScRL)，该框架集中于学习与形状相关的形状特征和外观特征，通过形状特征传播、红外形状补偿和外观特征增强等方法来解决当前可见 - 红外人物重新识别方法在形状特征提取中遇到的挑战，取得了显著的结果。

    Oct, 2023

  • 学习不变领域表示以实现可推广的人员复识别

    本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。

    Mar, 2021

  • 通过对抗训练实现视角不变的视觉识别

    借鉴对抗训练的成功，我们提出了 “Viewpoint-Invariant Adversarial Training（VIAT）”，通过最小化期望损失来训练一个视角不变的分类器，以提高各种图像分类器的视角鲁棒性。实验证实了 GMVFool 生成的对抗视角的多样性，验证了 VIAT 在提高视角鲁棒性方面的有效性。

    Jul, 2023

  • 视角混淆特征学习用于人员重识别

    本文提出了一种名为 VCFL 的最新的 Person Re-ID across cameras 的可训练框架，该框架通过利用视图混淆学习机制来学习视图不变的特征，并结合了视图通用性和视图特定性的方法，并利用诸如分类器和特征中心等技术来实现视图混淆。

    Oct, 2019