野外人物搜索的鲁棒部分匹配
本文提出了一种基于 AlignPS 的 anchor-free 框架来解决人物搜索问题,包括行人检测和人物重新识别,通过对齐特征聚合模块,实现更鲁棒的特征嵌入,显著提高了基线 anchor-free 模型的性能。
Mar, 2021
本文提出了一种针对人员重新识别问题的方法,即利用人体部分对齐表示以应对身体部位不对齐问题,并通过深度神经网络学习三个步骤,以最小化三元组损失函数来进行学习,这种方法可以更好地应对姿态变化和不同的空间分布情况,并在标准数据集上展现出最优结果。
Jul, 2017
本文提出了一种新的网络,通过两个流对人体的外观特征和身体部位特征进行提取,使用双线性池化层生成和空间池化对齐后的部分特征图,从而有效地解决了人体部位错位问题,并且在不需要对其进行任何标注的情况下对整个网络进行训练。
Apr, 2018
该论文提出了一种名为 PAN(行人对齐网络)的算法,该算法采用卷积神经网络进行表示学习和行人对齐,以解决行人重识别中的对齐问题,并在三个大规模数据集上展示了具有竞争性的准确性。
Jul, 2017
本文提出了基于部分人员重识别技术的部分匹配网络(PMN),该技术可检测人体关节、对齐局部视图、通过一些信息和具有学习能力的人员模型来逐步恢复缺失的部分,并将对齐和重建后的视图结合起来用于图像匹配,实验证明该方法在三个数据集上有显着的改善。
Jul, 2018
通过多任务学习的方法,建立主任务与辅助任务并实现参数空间对齐和类别对齐的对齐策略,解决行人图像中的人体部位对齐问题,实现从部位通道提取语义对齐的部分级特征,且代码已开源。
Mar, 2020
本文提出了一种行人检测和重新识别(re-id)集成网络(I-Net),用于实现端到端学习框架,以在实际视频监控场景中搜索目标人员,展示了其在人物搜索数据集上优越的性能。
Apr, 2018
本文提出了一种基于完全卷积神经网络的快速准确的匹配方法,结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题,并在多个数据集上进行的实验证明了该方法的有效性和效率。
Jan, 2018
对于人物重新识别的挑战,本研究以在图像库中识别特定个体为主要目标,改进了现有的重新识别方法,并提出了 AaP-ReID,一种将通道注意力融入 ResNet 架构的人物重新识别更有效的方法。经过在三个基准数据集上的评估,相较于现有方法,在 Market-1501 上达到 95.6% 的准确率,DukeMTMC-reID 上达到 90.6% 的准确率,并在 CUHK03 上达到 82.4% 的准确率。
Sep, 2023
本研究提出一种基于 AlignPS 框架的人物检索网络,采用 anchor-free 检测器,引入对齐特征聚合模块来生成更具辨别力和鲁棒性的 re-id 特征嵌入,同时并将 ROI-Align head 集成到模型中,该模型在 CUHK-SYSU 和 PRW 数据集上实验,显示出与最新模型相媲美的性能,并具有更高的效率。
Sep, 2021