基于属性的人物搜索的共生对抗学习
该研究提出了一种新的交叉模态嵌入学习损失函数,它采用语义距离自适应间隔来推开共享不同标签之间的嵌入点。在公共基准测试中,该方法在没有额外工具的情况下实现了最先进的记录。
Aug, 2021
通过使用生成对抗网络,本研究设计了一种生成高质量跨身份场景合成的模型,用于人物搜索任务,实验证明该方法能够有效增加数据集的多样性和真实性。
Aug, 2023
本文提出了一个用于在监控环境中检测人员属性(如性别、种族、服装等)的深度架构,并通过深度卷积生成对抗网络(DCGAN)增强图像来处理监控拍摄中经常出现的低分辨率和遮挡问题。实验证明,结合我们的生成重构和深度属性分类网络,即使分辨率很低且整个人物图像有强烈的遮挡,我们也能有效地提取属性。
Jul, 2017
提出了一种新的自我对抗学习(SAL)范式,通过使用相对鉴别器作为 GAN 的鉴别器,并引入自我改进奖励机制,成功地解决了 GAN 在生成文本方面的奖励稀疏性和模式崩溃问题,并在文本生成基准数据集上取得了更高质量和更稳定的性能表现。
Jan, 2020
本研究利用具有解离表示的 StyleGAN 模型,提出了一种在特征空间中搜索对抗潜在编码的框架,可通过文本提示或参考图像来引导搜索,并采用基于元学习的优化策略,在保持不被人类发现的同时成功欺骗法医人脸识别器的同时,成功生成了以指定属性集为真实的对抗伪造面部。
Jun, 2023
本文提出了一种使用自然语言描述直接合成逼真图像的方法,它有很多有用的应用,例如智能图像操作。我们提出了一种端到端的神经架构,利用对抗学习自动学习隐式损失函数,实现语义分离并生成新图像。通过在 Caltech-200 鸟类数据集和 Oxford-102 花卉数据集上进行实验,我们证明了我们的模型能够合成符合描述要求的逼真图像,同时仍保留原始图像的其他特征。
Jul, 2017
本研究提出了一种新的语义对抗攻击方法 SAA-StarGAN,该方法基于余弦相似度或概率分数预测最重要的面部属性,并改变这些面部属性来进行对抗攻击。实验证明,该方法能够生成多样化和逼真的对抗性面部图像,并能够显著地提高对抗性样本的可迁移性。
Jan, 2023
本文提出了一种使用生成式对抗学习的新方法,用于综合产生任意姿势的具有照片级真实感的人物图像。研究通过无监督的方式来处理此问题,并且将其分解成两个主要子任务,一是姿势条件的双向生成器,二是定义一个新型的损失函数,包含内容和风格项,旨在生成高感知质量的图像,可以在 DeepFashion 数据集上进行广泛的实验验证。
Sep, 2018
本文提出了一种新的基于语义属性学习的人物再辨识和搜索方法,并将其在弱或强标记的时尚摄影数据集上进行训练,进而提供一种强大的用于检测和描述监控人员的语义表达,无需任何监控领域监督,并且已达到最先进的性能,在无监督和监督人物重新辨识中均取得了最先进的性能。此外,作为一种语义表达,它将允许在同一框架内集成基于描述的人员搜索。
Jun, 2017