CVPRMar, 2020

高阶信息的重要性：学习遮挡人员再识别的关系和拓扑

PDF
TL;DR本篇论文提出了一种新颖的框架，通过学习高阶关系和拓扑信息来实现人物重识别，其中采用了 CNN 和关键点估计模型分别从语义和局部信息两个角度进行特征提取，并将其视为图的节点，提出了自适应方向图卷积层和交叉图嵌入对齐层，通过优化图匹配和节点嵌入来最终匹配人员并在遮挡的数据集上取得了优越的效果。
发现论文，激发创造
  • 一种新的被遮挡人员再识别师生学习框架

    本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。

    Jul, 2019

  • 使用 Transformer 隐式学习去噪分离表示，应用于遮挡个体再识别

    通过 DRL-Net 网络的设计，使用 transformer 架构来实现不需要严格的人像对齐或任何额外监督，通过对局部特征的全局推理来完成 occluded re-ID，同时使用对话查询指导 undefined semantic components 的表征分离，并设计 CFL 技术来更好地分离 occlusion 和 discriminative ID 特征，对遮挡现象进行更好的消除。

    Jul, 2021

  • 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

  • 通过处理遮挡实现鲁棒的集成人员重识别的正交融合

    通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

    Mar, 2024

  • 基于深度学习的遮挡人员再识别：综述与展望

    综述了遮挡行人重新识别方法的数据集、评估方案以及基于深度学习的解决方案，并进行了方法的系统比较，提出了未来遮挡行人重新识别发展的展望。

    Nov, 2023

  • 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

  • 人物再识别的二阶非局部注意力网络

    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。

    Aug, 2019

  • 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

  • 基于姿态引导的知识蒸馏特征学习用于遮挡场景下的行人再识别

    提出了一种名为 Pose-Guided Feature Learning with Knowledge Distillation（PGFL-KD）的网络，使用姿态信息规范学习，以获得语义一致的特征表示，以解决遮挡人物再识别的问题，其中姿态信息只用于训练而不参与测试，经过遮挡、部分和全身人物再识别等多项实验表明，该网络具有较高的效果。

    Jul, 2021

  • 无需对齐的遮挡人物重新识别前景感知金字塔重建

    本文提出了一种抵御遮挡和无需精确定位的人物重识别方法，并扩展其应用于更为真实和拥挤的场景中，在三个挑战性遮挡数据集和三个基准人物数据集上获得了极高的准确率。

    Apr, 2019