AAAIDec, 2020

端到端人员搜索的多样化知识蒸馏

PDF
TL;DR本文旨在解决人物搜索中两步法和端到端方法的准确度和效率之间的矛盾。作者提出了一个简单但强大的端到端网络及深度知识蒸馏方法，辅以空间不变数据增强技术，达到了与最先进的两步法相当的准确率并保持了单个联合模型的高效性。
person searchtwo-step approachend-to-end approachdeep learningknowledge distillation
发现论文，激发创造
  • 全面解耦的端到端人员搜索

    提出了一种全面解耦的网络模型，用于实现端到端的人员搜索，并在检测和重新识别子任务上进行任务增量训练，从而实现了独立学习和最优化的人员搜索效果。

    Sep, 2023

  • 基于查询的端到端人员搜索

    本文介绍了一种基于查询引导的端到端人物搜索网络，并使用最新的联合检测器和重新识别工作 OIM [37] 进行扩展。实验结果表明，我们的方法在 CUHK-SYSU [37] 和 PRW [46] 数据集上都优于现有的最先进方法。

    May, 2019

  • 人物再识别的互相蒸馏学习

    利用深度学习技术和互相协同的特征提取方法，本文提出了一种名为 Mutual Distillation Learning For Person Re-identification（简称 MDPR）的新方法，以从多个角度解决人物再识别问题并提高特征表达的效果。在广泛使用的人物再识别数据集上验证了方法的有效性和优越性。

    Jan, 2024

  • 基于掩码引导的双流 CNN 模型的人体搜索

    本文提出了一种基于前景分割的人物搜索方法，将对象检测和人物重识别模型分离，使用两个不同的 CNN 来分别提取主体和原始图像的特征，并在 CUHK-SYSU 和 PRW 两个公认的基准测试中实现了比现有方法高 5pp 以上的 mAP 值，效果显著。

    Jul, 2018

  • PSDiff：一种基于迭代和协作优化的人物搜索扩散模型

    基于扩散模型的 PSDiff 的人物搜索框架能够通过协同去噪的方式优化检测和重新识别子任务，取得了超越现有方法的最先进性能。

    Sep, 2023

  • 使用扩散模型合成高效的数据进行个体重新识别预训练

    提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

    Jun, 2024

  • 多视角知识蒸馏强鲁棒性再识别

    该研究旨在构建一种基于视角知识蒸馏（VKD）的模型，通过在 teacher-student 框架下将多种视角信息作为监督信号进行主动学习，从 Video-To-Video 到 Image-To-Video，显著提高了人、动物、车辆重识别的性能。

    Jul, 2020

  • 端到端比较型注意力网络用于人员再识别

    本文提出了一种新的基于软注意力的模型，即端到端比较注意网络 (CAN)，专门用于人员重新识别任务，该模型能够在几个瞥见后选择性地关注人的不同部位，学会哪些图像部位与识别相关，并自动整合不同部位的信息来确定两个图像是否属于同一个人，并在三个基准人员重新识别数据集上实现了最优性能。

    Jun, 2016

  • 解耦和记忆增强网络：面向单步人物搜索的有效特征学习

    本文提出了一种名为 DMRNet 的解耦和增强记忆的网络，用于解决当前单步方法中存在的目标冲突和小批量训练时识别特征学习不足的问题，在 CUHK-SYSU 和 PRW 数据集上实现了高达 93.2％和 46.9％的 mAP 精度，超越了所有现有的一步方法。

    Feb, 2021

  • 高效人员搜索的连续端到端网络

    提出了一种基于 Sequential End-to-end 网络和 Context Bipartite Graph Matching 算法来提升 person search 中 re-ID performance 的方法，并在 CUHK-SYSU 和 PRW 两个 benchmark 上取得了最先进的结果。

    Mar, 2021