AAAIDec, 2020

面向场景的图卷积网络在目标重新识别中的应用

PDF
TL;DR本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。
re-identificationconvolution networkscontext-aware graph convolution networkhard gallery samplerstate-of-the-art performance
发现论文，激发创造
  • 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

  • 使用深度相似度引导的图神经网络进行人员重新识别

    该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。

    Jul, 2018

  • 基于多注意力上下文图的组群再识别学习

    本文提出了一种基于图神经网络的统一框架，用于同时解决基于组的重新识别任务，即组重新识别和组感知人重新识别，并构建了一个包含超过 3.8K 张图片和 1.5K 注释组的新组重新识别数据集，清楚地证明了所提出的框架对于基于组的重新识别任务的有效性。

    Apr, 2021

  • SR-GNN: 面向细粒度图像分类的空间关系感知图神经网络

    本文介绍一种有效的方法，通过聚合来自最相关的图像区域的上下文感知特征及其在区分细粒度类别中的重要性来捕获细微变化，避免边框和 / 或可见部分注释，并通过自我关注和图形神经网络的最新进展来包括一种简单而有效的关系感知特征变换及其在端到端学习过程中的性能评估。评估了我们的模型，发现其在八个细粒度对象和人类对象交互数据集上的识别准确性显著优于现有技术。

    Sep, 2022

  • 基于上下文感知的迭代图推理在视觉对话中的应用

    本文提出了一种上下文感知图神经网络（Context-Aware Graph，CAG），通过自适应的前 K 个节点的信息传递机制，迭代更新每个节点（既包括視觉类、又包括历史关联类特征）的图结构，从而实现关系推理。此方法在 VisDial v0.9 和 v1.0 数据集上得到了有效验证。

    Apr, 2020

  • 基于知识图谱的上下文感知可解释推荐

    探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。

    Oct, 2023

  • 基于图卷积的视觉检索高效重新排序

    本文介绍了一种采用图卷积网络的高效接近搜索再排序方法，通过更新特征值来完善视觉检索任务的初步结果，并以状态 - of-the-art 表现获得了在 3 个不同任务的七个基准数据集上的结果。

    Jun, 2023

  • 自适应图卷积神经网络与注意力图聚类用于共同显著性检测

    提出了一种新的 GCAGC 方法用于共同显著性检测的任务，通过图卷积网络和注意力图聚类来确定共同的复杂前景对象，采用编码器 - 解码器结构来统一地训练和优化，最终的实验结果表明，在三个共同显著性检测基准数据集上，GCAGC 方法在大多数方面都取得了显著改进。

    Mar, 2020

  • PH-GCN: 基于部分层次图卷积网络的人员再识别

    本文提出了一种名为 Part-based Hierarchical Graph Convolutional Network（PH-GCN）的深度学习框架，用于人物重识别问题。通过信息交互，PH-GCN 在全局、局部和结构特征学习上同时进行，提高了 Re-ID 的效果。

    Jul, 2019

  • CADGE：基于图结构知识聚合的上下文感知对话生成

    本文提出一种基于上下文感知的图注意力模型 (Context-aware GAT)，可以在知识聚合流程中有效地整合相关知识图的全局特征，并且优于传统基于图神经网络 (GNNs) 的语言框架。

    May, 2023