CVPRApr, 2021

基于深度空间的人员重新识别架构搜索

PDF
TL;DR为了设计轻量级的适合于人物重识别的网络架构，本文提出了一种名为 Combined Depth Space (CDS) 的搜寻空间，并通过差分可搜索算法搜索出一种高效的网络架构 CDNet，分别采用 Top-k Sample Search 分支避免局部最优解以及 Fine-grained Balance Neck (FBLNeck) 细粒度的策略，使得 CDNet 在参数量较少的情况下具有与同类轻量级网络相当的表现。
发现论文，激发创造
  • 自动 ReID: 搜索支持部位识别的人员 Re-Identification 卷积网络

    本研究提出 Auto-ReID 算法，利用检索式搜索算法设计一个适用于特定的 Person re-identification 任务的卷积神经网络，通过神经架构搜索技术实现自动构建，实验证明与其他算法相比，减少了 50% 的网络参数和 53% 的计算量。

    Mar, 2019

  • 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

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 多层相似度实现高效深度人员再辨识

    本文提出基于多层级相似度计算的、高效的全卷积 Siamese 网络，使用卷积层、空间变形网络和深度可分离卷积等技术，在 Person Re-Identification 问题上实现有效的结果。

    Mar, 2018

  • Re-ID done right: 人员重新识别的良好实践

    本文介绍了一种基于简单的深度架构的策略，通过精细地设计架构的每个组件以及有效训练来实现人物重新识别的最佳实践，其能够比复杂的具有补充部件的方法更好地定位和对齐具有识别性的图像区域，并提出了一种类似于隐式注意力机制的训练表示方法。经过在四个基准数据集上的广泛评估，该方法可以比其他复杂方法更好地实现人物重新识别。

    Jan, 2018

  • PersonNet: 使用深度卷积神经网络进行人员再识别

    本文提出了一个端对端深度神经网络，用于同时学习高级特征和相应的相似性度量，用于人物再识别。我们的方法通过 10 个加权层和非常小的卷积过滤器提高了相似度测量的准确性，在 CUHK03 和 Market-1501 等数据集上一致优于现有算法。

    Jan, 2016

  • 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

  • 基于深度属性的多摄像头行人重新识别

    为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

    May, 2016

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 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