身份引导的人体语义分割用于人员再识别
本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同，我们提出采用人类语义分析来提取局部特征，相应的性能得到了大幅提升，并成为了当前最优方法。此外，我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法，如 Inception-V3 和 ResNet-152，无需修改即可显著提高人物再识别的性能。
Mar, 2018
通过使用交互式分割模型（ISM）进行自适应的基于部位的语义提取，本文提出了 SemReID，一种自我监督的 ReID 模型，通过技术手段（如图像遮罩和 KoLeo 正则化）改进其语义表示，证明了其在三种类型的 ReID 数据集上具有优越的性能，并引入了 LUPerson-Part 数据集来增强对细粒度部位语义的获取，以提高鲁棒性。
Nov, 2023
最近，视觉语言学习在增强基于视觉的人物再识别方面展示了巨大的潜力。本文提出了一种名为 Part-Informed Visual-language Learning (π-VL) 的方法，通过在 ReID 任务中利用部分信息语言监督来增强细粒度的视觉特征，该方法在四个常用的 ReID 基准测试中取得了显著的改进，特别是在最具挑战性的 MSMT17 数据库中达到了 90.3% 的 Rank-1 和 76.5% 的 mAP，而无需任何额外的技术手段。
Aug, 2023
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
本文提出一种利用人体关键点注释的方法生成合成数据，并利用这些数据进行半监督学习，进而提高人体语义部分分割准确率。在 PASCAL-Person-Part 数据集上，我们的方法优于强监督模型 6 mIOU，达到了最先进的人体分割结果。
May, 2018
本文提出了一种语义自对齐网络 (SSAN)，旨在解决文本到图像中的人物再识别 (text-to-image person re-identification) 中的问题。SSAN 使用一个新颖的手段 —— 自动从两种模态提取语义对齐的部分级特征，并通过设计一个多视角非局部网络来捕捉身体部分之间的关系，从而建立更好的身体部位和名词短语之间的对应关系。此外， SSAN 还引入了一种 Compound Ranking (CR) loss，利用同一身份的其他图像的文本描述提供额外的监督，从而有效地降低文本特征的类内差异。经过广泛的实验，证明了该方法在性能上优于现有的最先进方法和一些高级算法，并提供了新的 ICFG-PEDES 数据集和 SSAN 代码。
Jul, 2021
最近的无监督人员再识别（re-ID）方法通过利用细粒度的局部上下文实现了较高的性能。然而，大多数基于部分的方法通过水平分割来获得局部上下文，由于各种人体姿势导致了配准的问题。此外，部分特征中语义信息的不配准限制了度量学习的使用，从而影响了基于部分的方法的有效性。上述两个问题导致基于部分的方法中的部分特征被轻微利用。我们引入了空间级联聚类和加权记忆（SCWM）方法来解决这些挑战。SCWM 旨在为不同的人体部位解析和对齐更准确的局部上下文，同时使记忆模块平衡困难样本挖掘和噪声抑制。具体而言，我们首先分析了先前方法中前景遗漏和空间混淆的问题。然后，我们提出了前景和空间矫正来增强人体解析结果的完整性和合理性。接下来，我们引入了加权记忆并利用了两种加权策略。这些策略解决了全局特征的困难样本挖掘问题，并增强了部分特征的噪声抵抗能力，从而更好地利用了全局和部分特征。对于 Market-1501 和 MSMT17 等广泛的实验验证了所提出方法在许多最先进方法上的有效性。
Mar, 2024
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
我们提出了 Content and Salient Semantics Collaboration（CSSC）框架，通过有效利用行人图像中存在的丰富语义而无需任何辅助手段，实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征，并有效地减少了服装外观的干扰，从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能，显示了其优越性。
May, 2024