CVPRMar, 2020

基于多粒度参考引导的注意力特征聚合技术用于基于视频的人员重识别

PDF
TL;DR提出一种名为 MG-RAFA 的关注特征汇聚模块，用于将空间 - 时间特征精细地聚合成具有判别性的视频级别特征表示，采用全局视图与卷积操作学习关注，并基于不同粒度的关系学习多粒度关注，实现了视频 ReID 任务上的最新成果。
发现论文，激发创造
  • 关系感知全局注意力实现人员再识别

    本研究提出了一种关系感知全局注意力 (RGA) 模块，可以全面抓取全局结构信息以增强特征表示能力，实现了人员复识别 (Re-id) 领域的最新技术成果.

    Apr, 2019

  • 人员再识别：基于循环特征聚合的方法

    本文提出一种基于 LSTM 网络的逐步 / 顺序融合框架的人物重新识别方法，利用一系列追踪人体区域 / 补丁的全局判别特征表示产生序列级别的高度区分人类特征表示，并在两个人物重新识别基准测试上取得了良好的效果

    Jan, 2017

  • 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

  • 视频人员再识别的自适应图表示学习

    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。

    Sep, 2019

  • 细粒度视频分类与冗余减少注意力

    本文提出了一种名为 Redundancy Reduction Attention（RRA）的新型网络结构，通过抑制多余的特征通道学习集中于多个判别模式，在多个视频分类数据集中取得了优秀的表现。

    Oct, 2018

  • 可见光 - 红外人员再识别的动态双关注聚合学习

    本文提出了动态双重注意聚合（DDAG）学习方法，通过挖掘 VI-ReID 中的模态内部部分级别和跨模态图级别的上下文线索，提取具有较强辨别力和噪声鲁棒性的聚合特征，从而提高了检索精度。

    Jul, 2020

  • 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

  • 多粒度学习区分特征在行人再识别中的应用

    本文提出了一种多粒度深度网络 MGN，将全局特征与多种局部特征相结合，将图像实现均匀划分为多个条带进行训练，进一步提高了人物再识别任务的性能表现。在包括 Market-1501、DukeMTMC-reid 和 CUHK03 等主流评估数据集上，我们的方法均实现了最先进的表现并超过了任何现有方法。例如，在 Market-1501 数据集中，在单个查询模式下，经过重新排序，我们实现了 96.6%/94.2% 的 Rank-1/mAP 的最先进结果。

    Apr, 2018

  • 基于帧聚合和多模态融合的视频人员识别框架

    通过 Frame Aggregation and Multi-Modal Fusion framework 框架，将注意力机制引入 NetVLAD 模块进行视频内的人物识别，同时引入了 Multi-Layer Multi-Modal Attention 模块进行多模态相关性建模，实验结果表明该方法优于其他现有方法。

    Oct, 2020

  • 视频人脸识别特征聚合网络

    本文提出了一种基于元注意力聚合的方法来学习视频紧凑表示以实现视频人脸识别任务，并对其进行了实验验证和性能比较。

    May, 2019