MMAug, 2020

移动边缘云中基于实时分布式推理的身份感知属性识别

PDF
TL;DR本文提出了一种基于移动边缘云的行人属性识别和人员重识别模型，并研究了 MEC 网络中的分布式推断问题，评估结果表明，所提出的算法在准确性和延迟方面都有很大提高。
deep learningperson re-identificationmobile edge cloudsdistributed inferencepedestrian attribute recognition
发现论文，激发创造
  • 高效云边协同推断之物体重新识别

    通过云 - 边缘协作处理范例，我们提出了一种分布感知的相关建模网络（DaCM），用于重新识别系统，将希望的图像尽快返回云服务器，通过学习建模实例之间的时空关联性。我们的方法明显减少传输开销并显著提高性能。

    Jan, 2024

  • 基于深度属性的多摄像头行人重新识别

    为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

    May, 2016

  • 边缘 - 云连续体中联邦式无监督个人再识别的联合优化

    FedUReID 是一种基于联邦无监督学习的人物重识别系统，可在维护数据隐私的同时，在边缘计算上进行现场模型训练，通过联合优化云和边缘的个性化训练解决无监督场景下人物重识别问题。实验表明，与现有方法相比，FedUReID 不仅在精度上更高，而且计算成本降低了 29％，可用于解决无标签的多媒体任务。

    Aug, 2021

  • 通过属性和身份学习提高人物再识别能力

    提出了一种基于属性标签和 ID 标签互补的 Attribute-Person Recognition（APR）网络，该网络是一个多任务网络，可以学习重新识别嵌入并同时预测行人属性，通过在两个大规模数据集上进行人物重新识别与属性识别的实验，实验结果表明，APR 实现了与现有方法相当的人物重新识别性能，并可用于属性识别任务并提出了改进方法。

    Mar, 2017

  • 端到端模型中的深度视角感知行人属性推断

    本文介绍了一个基于端到端学习框架的人行属性推断方法，将其作为多标签图像分类任务，以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。

    Jul, 2017

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 人物再识别中的属性辅助部位检测与细化

    本文介绍了一种新的人物属性检测方法，利用属性检测来生成相应的局部检测器，提取局部特征来解决人物再识别中的身体部分不对齐问题，并将属性信息与局部描述符相结合以消除检测偏差带来的干扰。该模型在两种常用基准测试上表现良好。

    Feb, 2019

  • 摄像头网络中自动人员再识别和网络拓扑推理的统一框架

    本论文提出了一种集成方案，旨在解决人员重新识别和摄像头网络拓扑推断问题，采用多摄像头网络环境并提供一个新的人员重新识别数据集 SLP，试验结果表明所提出的方法在人员重新识别和摄像头拓扑推断任务中具有良好的预测性能。

    Apr, 2017

  • 利用上下文不一致性进行多专家对抗攻击检测的人员再辨识

    本文提出一种基于多专家的对抗攻击检测方法 (MEAAD)，通过检查上下文不一致性来实现对于基于深度神经网络的 ReID 系统的攻击检测，并在 Market1501 和 DukeMTMC-ReID 数据集上进行了实验，在第一个 ReID 的对抗攻击检测方法中被证明可以有效地检测各种攻击，并达到高的 ROC-AUC（超过 97.5%）。

    Aug, 2021

  • 注意力驱动的人物识别

    本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

    Oct, 2018