中等衣服变化下的轮廓素描人员再识别
本研究首次系统地研究了目标人物更换服装(服装不一致问题)对基于人员再识别(ReID)的 AI 视频监控应用的影响,通过采集小样本真实数据集进行测试,并构建大规模逼真的合成数据集进行训练和深入研究, 发现更换服装使得 ReID 成为一个更加困难的问题,并挑战了现有模型对于识别穿着未知(新)服装的人员的泛化能力,本研究可有助于鼓励更多相关研究。
Mar, 2020
本文提出了一种新的方案 —— 身份引导的协作学习方案(IGCL),通过人类的语义完全利用和身份不可变性来引导协作学习,以解决服装人物重新识别中的挑战。IGCL 实验结果表明其优于当前最先进的方法,提取的特征更加稳健,具有较强的区分性和服装无关性。
Apr, 2023
本文介绍了一个新的级联网络,该网络可以在不同场景下实现个人再识别,它不仅在衣服外观发生变化的情况下进行操作,而且还利用了 “soft-biometrics” 的概念,它包括身体形态等特征来增强匹配的准确性。
May, 2020
我们提出了 Content and Salient Semantics Collaboration(CSSC)框架,通过有效利用行人图像中存在的丰富语义而无需任何辅助手段,实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征,并有效地减少了服装外观的干扰,从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能,显示了其优越性。
May, 2024
该研究提出了一种基于衣服的对抗损失 (CAL) 方法,从原始 RGB 图像中挖掘与衣服无关的特征来提高衣服变化人员重新识别的准确度。同时,也贡献了一个名为 CCVID 的数据集,为对建模时空信息提供实验基础。
Apr, 2022
通过在人物换装场景中使用与服装无关的特征来检索和识别特定行人的换装人物重识别目标中,该论文定义了遮挡换装人物重识别作为一个新的任务,并构建了两个用于不同遮挡情境的遮挡换装人物重识别数据集。
Mar, 2024
本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征,可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明,本研究的方法优于当前其他先进的方法。
Mar, 2020
本文提出一种名为 GI-ReID 的框架,利用人体独特的不依赖于衣服的步态信息作为辅助任务,从单张图像识别行人并实现实时监控,并在衣服变化的 ReID 标准测试集上得到了显著的性能提升。
Mar, 2021
该研究提出 DeepChange 数据集,用于长期服装变化下的人物再识别基准方法,包含 17 个摄像头和 1121 个身份,同时调研了多模态融合策略。实验表明,该方法在 DeepChange 数据集上能够胜任各种变化下的任务。
May, 2021
通过建立连续的表面对应关系,实现衣物变化人员再识别的方法,从图像中提取细粒度的形状特征,并通过跨模态融合模块与全局的 RGB 特征结合,从而显著增强了模型对于人体形状的整体理解。构建了第一个大规模的衣物变化人员再识别数据集,为每个人员图像提供了密集的 2D-3D 对应关系和精确的 3D 模型,同时包含了四季中各种不同的衣物变化情况。实验证明了我们方法的有效性。
Oct, 2023