May, 2021

DeepChange: 具有服装变化的大规模长期人员再识别基准

PDF
TL;DR该研究提出 DeepChange 数据集，用于长期服装变化下的人物再识别基准方法，包含 17 个摄像头和 1121 个身份，同时调研了多模态融合策略。实验表明，该方法在 DeepChange 数据集上能够胜任各种变化下的任务。
person re-identificationlong-termclothes changebenchmarkmultimodal fusion
发现论文，激发创造
  • 长期换衣服个体重识别

    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

  • 人物再识别遇见换衣服

    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

  • COCAS：一个用于人物重新识别的大规模换装服装数据集

    本文提出了一个基于衣服变换的人员重新识别问题，并创建了一个名为 COCAS 的基准，通过提出的双分支网络 Biometric-Clothes Network (BC-Net) 在衣服变化的情况下，对于具有衣服模板的人重新识别是可行的。

    May, 2020

  • 中等衣服变化下的轮廓素描人员再识别

    通过轮廓素描提取人体形状特征进行跨服装人物再识别，训练新的数据集，并在实验中展示了我们的方法的有效性。

    Feb, 2020

  • MaskCL: 基于语义掩码的对比学习，用于衣服更换的无监督个体重新识别

    本文提出了一种语义掩膜驱动的对比学习方法，通过学习层次语义邻域结构中的 RGB 和语义特征，学习跨服装不变性，实现了长期无监督人员再识别。实验表明，与无监督 re-id 竞争对手相比，我们的方法具有更好的性能，并且与监督基线只有很小的差距。

    May, 2023

  • 学习适用于长期个体再识别的服饰和姿态不变的 3D 形状表示

    本研究通过提出一种新方法 3DInvarReID，旨在扩展长期人员再识别（LT-ReID）的范围，使其不仅适用于行人识别，还包括更广泛的真实世界人类活动，并考虑到大时间间隔内的服装变化场景。实验结果表明，我们的方法在人员再识别方面具有更好的性能。

    Aug, 2023

  • CCPA：对比服饰与姿态增强的长期个体重识别

    长期人员再识别，提出了 CCPA: 对比度服装和姿势增强框架，通过使用关系图注意力网络，捕捉与服装无关的身体形状信息。实验证明 CCPA 框架的有效性。

    Feb, 2024

  • 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

    本文提出一种名为 GI-ReID 的框架，利用人体独特的不依赖于衣服的步态信息作为辅助任务，从单张图像识别行人并实现实时监控，并在衣服变化的 ReID 标准测试集上得到了显著的性能提升。

    Mar, 2021

  • 服装更换人员再识别的内容和显著语义协作

    我们提出了 Content and Salient Semantics Collaboration（CSSC）框架，通过有效利用行人图像中存在的丰富语义而无需任何辅助手段，实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征，并有效地减少了服装外观的干扰，从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能，显示了其优越性。

    May, 2024

  • 重新思考衣物更换人物识别：冲突、综合与优化

    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