Mar, 2021

高效人员搜索的连续端到端网络

PDF
TL;DR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。
person searchend-to-end networkcontext bipartite graph matchingre-id performanceperson matching
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 大规模人员再识别的行人对齐网络

    该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。

    Jul, 2017

  • 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

  • 用于人员再识别的分层双向特征感知网络

    提出了一种名为 HBFP-Net 的模型，使用低秩双线性池化模型来建模跨层级特征对的相关映射，并利用双向特征感知模块来丰富高层特征的注意力区域，成功提高了行人再识别的性能。

    Aug, 2020

  • 基于深度循环卷积网络的视频行人再识别：一种端到端的方法

    本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

    Jun, 2016