用于人员识别的交叉关注网络

Jun, 2020

Cross-Correlated Attention Networks for Person Re-Identification

Jieming Zhou, Soumava Kumar Roy, Pengfei Fang, Mehrtash Harandi, Lars Petersson

TL;DR本文提出了一种名为 CCA 的注意力模块，旨在通过最大化不同注意区域之间的信息增益来克服以前的限制，并提出了一种新的深层网络，利用不同的注意力机制学习人物图像的强鲁棒性和判别表现，得到的模型被称为 CCAN，大量实验证明 CCAN 在人物重新识别任务上优于当前状态下的最先进算法。

Abstract

deep neural networks need to make robust inference in the presence of occlusion, background clutter, pose and viewpoint variations -- to name a few -- when the task of person re-identification is considered. Atte

deep neural networks attention mechanisms person re-identification cross-correlated attention discriminative representations

发现论文，激发创造

端到端比较型注意力网络用于人员再识别

本文提出了一种新的基于软注意力的模型，即端到端比较注意网络 (CAN)，专门用于人员重新识别任务，该模型能够在几个瞥见后选择性地关注人的不同部位，学会哪些图像部位与识别相关，并自动整合不同部位的信息来确定两个图像是否属于同一个人，并在三个基准人员重新识别数据集上实现了最优性能。

Jun, 2016

人员再识别的和谐注意力网络

本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示，优化了未对齐人物图像中的人物重识别，相对于现有的一些方法具有明显的优越性。

Feb, 2018

人员再识别的注意力感知组合网络

该论文提出了一种新型的名为 Attention-Aware Compositional Network 的框架，用于人物再识别。该框架主要包括姿态引导下的部分关注和关注感知特征组合两个模块，并利用人体姿态估计结果来处理姿态变化和背景混杂的问题，对几个公共数据集进行了广泛的实验，并取得了最先进的效果。

May, 2018

利用视觉注意力进行人员再识别

论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

Jul, 2017

CA3Net: 面向人物再识别的上下文 - 注意力属性外观网络

本文介绍了一种新的人物再识别方法 CA3Net，它利用深度学习技术，同时利用语义属性和视觉外观，以及身体部位之间的空间依赖关系，学习生成具有鉴别性和鲁棒性的行人表示。实验证明，该方法在 Market-1501 和 DukeMTMC-reID 数据集上取得了很好的效果。

Nov, 2018

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

关注不同之处：通过对比关联进行跨模态人员再识别

该研究提出了一种双通道跨模式特征学习框架，旨在保留内在空间结构并关注输入交叉模态图像对的差异，通过在一个共同的 3D 张量空间中嵌入交叉模式图像而不丢失空间结构以及通过动态比较输入图像对来提取对比特征等方式，在两个公共可用的 RGB-IR ReID 数据集上进行了广泛实验，并在全面和简化的评估模式下均优于现有的算法。

Oct, 2019

因果关注用于无偏视觉识别

本文提出了一种因果关系注意力模块，通过自我注释来识别难以预测的混淆变量，从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征，不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题，并在相应实验中得到了卓越的结果。

Aug, 2021

多通道核规范相关分析用于交叉视图的行人再识别

本文提出了一种解决多摄像头网络中人员重新识别的主要挑战之一，即跨视图外观变化的方法，提出了多特征表示的方法，利用不同核的 KCCA 来学习多个投影空间，在这些空间中最大化了来自不同相机观察到的同一人员样本之间的外观相关性，并最终使用迭代逻辑回归来选择和加权每个特征投影的贡献，并执行两个视图间的匹配。实验评估表明，所提出的解决方案在 VIPeR 和 PRID450s 数据集上获得了可比较的性能，并且相比于现有技术在 PRID 和 CUHK01 数据集上得到了改进。

Jul, 2016

适用于多目标跟踪和分割的原型交叉注意力网络

我们提出了一种名为 PCAN 的新型神经网络，它可以应用于在线多目标跟踪和分割任务，利用空间和时间信息识别、追踪和分割物体，以及学习对比前景和背景原型，并在时间上进行传播。实验表明，该方法在多个数据集上都表现优异。

Jun, 2021