使用步态预测和规则化从单个图像中进行衣物变化人员重新识别
本文提出了一种新的方案 —— 身份引导的协作学习方案(IGCL),通过人类的语义完全利用和身份不可变性来引导协作学习,以解决服装人物重新识别中的挑战。IGCL 实验结果表明其优于当前最先进的方法,提取的特征更加稳健,具有较强的区分性和服装无关性。
Apr, 2023
本文介绍了一个新的级联网络,该网络可以在不同场景下实现个人再识别,它不仅在衣服外观发生变化的情况下进行操作,而且还利用了 “soft-biometrics” 的概念,它包括身体形态等特征来增强匹配的准确性。
May, 2020
为了解决现有 CC-ReID 数据集中缺乏足够训练样本的问题,本研究提出了一种 Identity-aware Dual-constraint Network (IDNet)。通过引入 Clothes Diversity Augmentation (CDA)、Multi-scale Constraint Block (MCB)、Counterfactual-guided Attention Module (CAM) 和 Semantic Alignment Constraint (SAC) 等模块,该方法能够在更真实的监控场景中准确识别目标人员,并在实验中表现出超越现有方法的性能。
Mar, 2024
本研究提出了一种基于注意力机制的形状和步态表示学习框架,通过使用空间 - 时间图注意力网络进行服装变化下的人物再识别,从而提高了人物再识别的性能。
Feb, 2024
通过使用语义一致性网络(SCNet)以及一系列有效的一致性约束条件,我们的研究旨在解决服装改变可能发生的情况下,跨多个监控摄像头检索目标人员的困难任务。结果表明,SCNet 模型在几个衣服变换人物重识别数据集上取得了显著进展,并且无需使用额外的辅助分割模块。
Aug, 2023
通过在人物换装场景中使用与服装无关的特征来检索和识别特定行人的换装人物重识别目标中,该论文定义了遮挡换装人物重识别作为一个新的任务,并构建了两个用于不同遮挡情境的遮挡换装人物重识别数据集。
Mar, 2024
该研究采用多目标优化解决方案,通过衣物变化合成和训练,成功改善了衣物变换人员识别模型在衣物保持不变条件下的性能,同时在标准人员识别任务中也表现出了卓越的性能。
Apr, 2024
该研究提出了一种基于衣服的对抗损失 (CAL) 方法,从原始 RGB 图像中挖掘与衣服无关的特征来提高衣服变化人员重新识别的准确度。同时,也贡献了一个名为 CCVID 的数据集,为对建模时空信息提供实验基础。
Apr, 2022
本研究首次系统地研究了目标人物更换服装(服装不一致问题)对基于人员再识别(ReID)的 AI 视频监控应用的影响,通过采集小样本真实数据集进行测试,并构建大规模逼真的合成数据集进行训练和深入研究, 发现更换服装使得 ReID 成为一个更加困难的问题,并挑战了现有模型对于识别穿着未知(新)服装的人员的泛化能力,本研究可有助于鼓励更多相关研究。
Mar, 2020