Feb, 2021

TransReID：基于 Transformer 的目标重识别

PDF
TL;DR本文介绍了基于 transformer 的物体 ReID 方法 TransReID，通过重新排列 patch embeddings，设计新颖的 jigsaw patch module 和 side information embeddings 模块来提高对细节、摄像机视角等因素的鲁棒性，并在多个 ReID 数据集上实现了最优结果。
object re-identificationtransformer-based frameworkpatch embeddingsjigsaw patch moduleside information embeddings
发现论文，激发创造
  • 目标重新识别的 Transformer：一项综述

    该论文综合评述了基于 Transformer 的物体再识别 (Re-ID) 的现有工作，涵盖了多个领域和挑战，并提出了一个基于 Transformer 的新方法 UntransReID，同时还讨论了未来研究中的重要问题。

    Jan, 2024

  • 局部感知变换器进行人员再识别

    本论文提出了一种新型的 LA-Transformer 人物重识别算法，该算法使用了局部感知机制并融合了 PCB 策略以及分块微调技巧，相比于其他现有方法，在 Market-1501 和 CUHK03 数据集上达到了目前最优的识别率。

    Jun, 2021

  • 被遮挡人员再识别的短距离相关变换器

    我们提出了一种基于局部特征变换器的人员再辨识框架（PFT），通过三个模块设计，在提高视觉变换器的效率的同时最大限度提取局部特征，实现了对局部遮挡情况下的人员再辨识。实验结果显示，PFT 网络在遮挡和整体再识别数据集上表现出优异性能，并优于现有技术。

    Jan, 2022

  • STNReID : 使用成对空间变换网络的深度卷积网络进行部分人员重新识别

    本研究提出一种基于空间变换网络的深度偏分人员再识别框架，可以用于与整体身份图像匹配。实验结果表明，该框架在偏分人员再识别任务中达到了与最先进方法相当的准确率。

    Mar, 2019

  • TOP-ReID: 多光谱物体再识别与令牌置换

    多光谱目标重新识别的变压器模型方法，采用循环置换和互补重构模块来提取更具辨别性的特征。

    Dec, 2023

  • HAT: 层次聚合变压器，用于人员再识别

    本论文提出了一种名为 “Hierarchical Aggregation Transformer” 的学习框架，将卷积神经网络和 Transformers 相结合，以实现图像人员 Re-ID，并在四个大规模 Re-ID 基准测试上获得了比几种最先进方法更好的结果。

    Jul, 2021

  • 通过张量特征融合提升人物重识别

    本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别（PRe-ID）系统，该方法利用预训练的 CNN 进行高级特征提取，结合局部极大出现（LOMO）和高斯之高斯（GOG）描述符。此外，使用跨视图二次判别分析（TXQDA）算法进行多线性子空间学习，在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。

    Dec, 2023

  • DenoiseReID: 人物再识别表示学习的去噪模型

    我们提出了一种用于表示学习的新型去噪模型，并以人员重识别（ReID）作为基准任务，称为 DenoiseReID，通过联合特征提取和去噪来改进特征的区分能力。

    Jun, 2024

  • 其他符号很重要：探索视觉变换器在物体再识别中的全局和局部特征

    本文研究了物体再识别中全局 - 局部关系对于 Transformer 的影响，并提出了一种全局 - 局部 Transformer 模型，并基于最后几层的特征和类别信息学习了全局特征，同时结合多层局部信息来探索判别性的局部表示，在四个物体再识别基准数据集上实现了卓越的性能。

    Apr, 2024

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016