我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

Apr, 2024

提出了一种基于身体部位的柔性运动重定向框架，其在运动编码阶段引入了姿势感知注意网络（PAN），并使用特征池化构建每个身体部位的共享潜在空间，通过在运动解码阶段应用该框架，可以在更具挑战性的重定向情景中获得合理的结果。

Jun, 2023

该论文提出一种基于姿态引导可见部分匹配 (PVPM) 方法，该方法在端到端框架中通过姿态引导注意力和自我挖掘部分可视性来共同学习判别特征以识别受遮挡的人物。实验结果表明，该方法在三个报道的受遮挡基准测试中达到了与最先进方法相媲美的性能。

Apr, 2020

本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

Jul, 2017

提出了一种新的时空注意力模型，可以自动发现多样化的特征，并使用空间和时间的注意力组合提取有用的信息，从整个视频序列中学习潜在的面部、躯干和其他身体部位的隐藏表示，通过三个数据集的评估发现算法优于现有方法。

Mar, 2018

本文提出了一种基于人体解析模型和自注意力机制获取其它目标区域信息的方法，实现了在三个基准数据集上的最新性能，提高了人物重识别的准确性。

Oct, 2019

此研究提出了一种新的面向人 - 物交互识别的 body-part attention 模型，可以学习关注关键部位及其相关性，并引入一种注意力特征选择方法和特征表示模式，可以捕捉不同身体部位之间的联系，实验结果在 HICO 数据集上表现优于现有最先进方法 4 个百分点。

Jul, 2018

本文提出了一种简单而高效的自学习框架，以适应消费视频数据的人体三维网格恢复系统，并在此基础上进行 13K 帧的评估以及对任务的关键点注释，结果显示我们的方法在测试视频上具有较高的准确性和人为判断水平。

Aug, 2020

利用面部表情和身体姿势，提出了方法 PERI，在情感识别网络的中间特征上使用上下文注入块。与现有方法相比，PERI 在 EMOTIC 数据集上实现了显着改进。

Oct, 2022

本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

Oct, 2018