联合人物客体性和排斥力用于人物搜索
本研究针对人流密集的场景,提出了一种新的边框回归损失函数,即排斥损失,该方法利用目标的吸引力和周围物体的排斥力使得定位更加准确,实验证明该方法在人流密集时表现优于其他现有方法。
Nov, 2017
本文将人员再识别作为图像搜索问题,并通过设计一种无监督的词袋表示法,将图像搜索技术整合到人员再识别中。同时,贡献了一个新的高质量数据集,在三个数据集上得到了与最先进方法相当的竞争结果。
Feb, 2015
本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法,其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失,旨在解决在人群密集的公共场所中遭遇的遮挡问题,该新问题称为遮挡人物重新识别问题,实验表明该方法优于现有的三个基准方法。
Apr, 2018
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。
Mar, 2020
本研究提出了一种基于视觉单词共现模型的个人再识别方法,该方法将图像像素映射到视觉单词上,并使用共现矩阵来编码探针和库图像中的视觉单词的联合分布,通过使用线性 SVM 分类器来训练这些共现描述符,以应对不同摄像头视角下的外观变化,实验表明该方法在 VIPeR 和 CUHK Campus 数据集中可以取得比最先进的结果分别高 10.44%和 22.27%的 rank-15 性能
Oct, 2014
本文提出了一种基于前景分割的人物搜索方法,将对象检测和人物重识别模型分离,使用两个不同的 CNN 来分别提取主体和原始图像的特征,并在 CUHK-SYSU 和 PRW 两个公认的基准测试中实现了比现有方法高 5pp 以上的 mAP 值,效果显著。
Jul, 2018
本篇研究提出了一种基于学习人类显著性和匹配显著性分布的人物再识别新方法,包括了临接受限制补丁匹配(adjacency constrained patch matching)、K 最近邻算法、一类支持向量机方法,以及统一的 RankSVM 框架,其在 VIPeR 数据集以及 CUHK01 数据集上表现优于其他人物再识别方法。
Dec, 2014
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
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