Mar, 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

HTML
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
  • 视频排名中基于判别性选择的人员再识别

    本文提出了一种新的模型，可以从含有噪声/不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

    Jan, 2016

  • 无监督视频匹配的个体再识别

    本文提出了一种基于时间序列的视频人员重识别方法，可以准确地匹配任意不对齐的图像序列中的人，无需标记的成对数据，并通过引入时间移动动态时间扭曲 (TS-DTW) 模型实现自动对齐、数据选择和匹配。

    Nov, 2016

  • 基于多样性正则化的时空关注力视频人物再识别

    提出了一种新的时空注意力模型，可以自动发现多样化的特征，并使用空间和时间的注意力组合提取有用的信息，从整个视频序列中学习潜在的面部、躯干和其他身体部位的隐藏表示，通过三个数据集的评估发现算法优于现有方法。

    Mar, 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

  • 通过多粒度图像文本对齐 提高基于描述的人员再识别

    本文提出了一个Multi-granularity Image-text Alignments (MIA)模型，用于减轻描述基础人物的Re-id中的跨模态细粒度问题，以进行更好的相似度评估。实验表明，该方法在CUHK-PEDES数据集上取得了最先进的性能，并且实现了显着优于以往方法的效果。

    Jun, 2019

  • 人员再识别的交互和聚合网络

    本研究提出了Interaction-and-Aggregation (IA)网络结构，利用Spatial IA和Channel IA模块增强卷积神经网络对人的特征表示能力，并在三个基准数据集上验证了其在人员再识别领域的卓越性。

    Jul, 2019

  • 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

  • 视频人员重新识别的多阶段时空聚合变形器

    本文提出了一种新的Multi-Stage Spatial-Temporal Aggregation Transformer，采用两个代理嵌入模块来全面感知输入个人的属性和身份信息；通过SPA模块进行自注意操作，并采用新设计的自注意力操作提取信息，同时引入了时间分块混洗以进一步提高模型的鲁棒性，在各个标准基准测试中也实现了最先进的准确性。

    Jan, 2023

  • 基于视频的行人再识别与长短期表示学习

    提出了一种名为长短期表示学习（LSTRL）的新型深度学习框架，通过多粒度外观提取器（MAE）和双向运动估计器（BME）有效地提取长期和短期信息，显著改善了视频行人重新识别（V-ReID）的特征表示能力。实验证明，该方法在三个广泛使用的基准测试上表现出更好的性能。

    Aug, 2023