AAAIFeb, 2021

解耦和记忆增强网络：面向单步人物搜索的有效特征学习

PDF
TL;DR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。
person searchone-step methodsdmrnetmulti-task learningmetric learning
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

  • 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

  • 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

  • Deep-Person: 为人物再识别学习辨别性深度特征

    该研究提出了一种名为 Deep-Person 的三分支框架，利用 LSTM 建模行人身体从头到脚的序列，提高局部特征的鉴别能力以及同时学习了鉴别嵌入和相似度测量。实验证明该框架在市场 - 1501，CUHK03 和 DukeMTMC-reID 等三个数据集上，超过了现有的最先进方法，单次查询设置下市场 - 1501 的 mAP 达到了 90.84％。

    Nov, 2017

  • 人员搜索的联合检测和身份识别特征学习

    提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。

    Apr, 2016

  • 端到端人员搜索的多样化知识蒸馏

    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。

    Dec, 2020

  • 端到端人员检索和重新识别集成网络

    本文提出了一种行人检测和重新识别（re-id）集成网络（I-Net），用于实现端到端学习框架，以在实际视频监控场景中搜索目标人员，展示了其在人物搜索数据集上优越的性能。

    Apr, 2018

  • 高效的人物搜尋：一種無錨定方法

    本研究提出一种基于 AlignPS 框架的人物检索网络，采用 anchor-free 检测器，引入对齐特征聚合模块来生成更具辨别力和鲁棒性的 re-id 特征嵌入，同时并将 ROI-Align head 集成到模型中，该模型在 CUHK-SYSU 和 PRW 数据集上实验，显示出与最新模型相媲美的性能，并具有更高的效率。

    Sep, 2021

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016

  • 人物再识别遇到图像搜索

    本文将人员再识别作为图像搜索问题，并通过设计一种无监督的词袋表示法，将图像搜索技术整合到人员再识别中。同时，贡献了一个新的高质量数据集，在三个数据集上得到了与最先进方法相当的竞争结果。

    Feb, 2015