Sep, 2020

IAUnet：全局上下文感知人员再识别特征学习

PDF
TL;DR本文提出了一种新的块，IAU，它综合利用时空信息以提高 person reID 任务的性能，并通过轻量级、端到端的设计，可以轻松插入到现有的 CNN 中。实验表明，IAU 在图像和视频重新识别任务上表现优异，并在一般对象分类任务上取得了令人信服的结果。
person re-identificationspatial-temporal contextinteraction-aggregation-updatecnnsbody parts
发现论文，激发创造
  • 人员再识别的交互和聚合网络

    本研究提出了 Interaction-and-Aggregation (IA) 网络结构，利用 Spatial IA 和 Channel IA 模块增强卷积神经网络对人的特征表示能力，并在三个基准数据集上验证了其在人员再识别领域的卓越性。

    Jul, 2019

  • 针对个体重新识别学习身体和潜在部位上的深度上下文感知特征

    本文提出了一种多尺度背景感知网络（MSCAN）用于学习全身和身体部位的强特征，在每个层中通过堆叠多尺度卷积来捕捉局部上下文知识，并且通过使用新的空间约束来学习局部变形行人部分，并将全身和身体部分的表示学习过程集成到一个统一框架中，通过多类人物识别任务实现了人物再识别，且在当前挑战性大规模人物再识别数据集上，包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集，都取得了最先进的结果。

    Oct, 2017

  • 多标签面部动作单元检测的时空线索建模

    提出了一种基于混合网络体系结构的面部动作单元检测方法，可同时处理面部表情解码中的三个问题：空间表示，时间建模和 AU 相关性。

    Aug, 2016

  • 全局上下文感知逐步聚合网络用于显著性目标检测

    该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

    Mar, 2020

  • 视频行人再识别的时空互促

    本文提出一种基于视频序列的人物再识别方法，通过 Refining Recurrent Unit 和 Spatial-Temporal clues Integration Module 来更好地表达视频序列中的空间和时间信息，并且采用了多层次训练目标来增强算法的性能。实验结果表明，该方法在 iLIDS-VID 和 MARS 数据集上优于现有的最先进方法，并在 PRID-2011 上取得了良好的结果。

    Dec, 2018

  • IAN：面向人物搜索的个体聚合网络

    Proposed individual aggregation network optimizes feature representations to accurately localize persons in real-world scenarios, achieving superior results on benchmarks such as CUHK-SYSU and PRW.

    May, 2017

  • 人物检索的上下文图学习

    本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

    Apr, 2019

  • 关系感知全局注意力实现人员再识别

    本研究提出了一种关系感知全局注意力 (RGA) 模块，可以全面抓取全局结构信息以增强特征表示能力，实现了人员复识别 (Re-id) 领域的最新技术成果.

    Apr, 2019

  • 统一身份认证和环境学习以进行人员识别

    本文提出了一种新的人物识别框架：区域注意力网络，它能够以实例相关的方式自适应地组合不同的视觉线索，并学习社交上下文和人物身份的推理，从而在复杂的环境中大幅提高了鲁棒性。

    Jun, 2018

  • 面部动作单元检测的时空关系和注意力学习

    本研究提出了一种基于空间 - 时间关系和注意力机制的面部动作单元检测框架，其中使用了空间 - 时间图卷积网络来捕捉动态面部动作单元的空间和时间关系，并使用自适应学习的边界权重来形成关系图。此外，为了学习 AU 之间的时空关系，我们提出了一种注意力机制，以自适应地学习区域注意力，并通过抑制不相关区域来提取每个 AU 的完整特征。实验结果显示，我们的方法在 BP4D 和 DISFA 基准测试中实现了显著的改进。

    Jan, 2020