Apr, 2021

基于多注意力上下文图的组群再识别学习

PDF
TL;DR本文提出了一种基于图神经网络的统一框架，用于同时解决基于组的重新识别任务，即组重新识别和组感知人重新识别，并构建了一个包含超过 3.8K 张图片和 1.5K 注释组的新组重新识别数据集，清楚地证明了所提出的框架对于基于组的重新识别任务的有效性。
group re-identificationcontext graphgraph neural networksmulti-level attention mechanismdeep learning
发现论文，激发创造
  • 人物检索的上下文图学习

    本文提出了一种结合上下文信息进行人物搜索的框架，并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新，该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。

    Apr, 2019

  • 视频人员再识别的自适应图表示学习

    提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

    Sep, 2019

  • 面向场景的图卷积网络在目标重新识别中的应用

    本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。

    Dec, 2020

  • 多粒度匹配与集成的群体再识别

    本文提出了一种新颖的组粒度概念，通过多粒度对象：组内的个人和二三人子组来表征群组图像，以实现强大的组重新识别。此外，该方法设计了一种可提取的多粒度表示，该表示对多粒度对象的外观和空间关系进行了特征化，并进一步配备了重要性权重，以捕获群组内的动态变化。实验证明了该方法的有效性。

    May, 2019

  • 基于自注意力和对比特征的上下文感知群体字幕生成

    本文提出了一个新任务 —— 上下文感知组图描述，旨在在与相关参考图像组的上下文中描述一组目标图像。为了解决这个问题，我们提出了一个结合自注意机制和对比特征构建的框架，有效地总结了每个图像组的共同信息的同时捕获了它们之间的区别信息。本文所构建的数据集包括 Conceptual Captions 跨模态描述数据集和我们的新 Stock Captions 数据集。在这两个数据集上的实验证明了我们的方法在这个新任务中的有效性。

    Apr, 2020

  • 统一身份认证和环境学习以进行人员识别

    本文提出了一种新的人物识别框架：区域注意力网络，它能够以实例相关的方式自适应地组合不同的视觉线索，并学习社交上下文和人物身份的推理，从而在复杂的环境中大幅提高了鲁棒性。

    Jun, 2018

  • 基于多粒度超图的视频人员再识别学习

    本研究提出了一种新的基于图的框架，即多粒度超图（MGH），通过建模多个粒度的时空依赖性来追求更好的表征能力，从而解决视频中人员再识别任务中的关键问题，并且通过多种基准测试表现出了优异的性能。

    Apr, 2021

  • 利用视觉注意力进行人员再识别

    论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

    Jul, 2017

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

    Aug, 2018

  • 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