局部感知变换器进行人员再识别
本文介绍了基于 transformer 的物体 ReID 方法 TransReID,通过重新排列 patch embeddings,设计新颖的 jigsaw patch module 和 side information embeddings 模块来提高对细节、摄像机视角等因素的鲁棒性,并在多个 ReID 数据集上实现了最优结果。
Feb, 2021
我们提出了一种适用于域泛化人物重识别任务的纯 Transformer 模型,通过设计了一个名为 Cross-ID Similarity Learning (CSL) 的代理任务来挖掘不同 ID 之间共享的局部视觉信息,从而缓解领域特定偏差的副作用,并在此基础上提出了 Part-guided Self-Distillation (PSD) 来进一步提高全局特征的泛化性能。在大多数域泛化人物重识别设置下,我们的方法实现了当前最先进的性能,在 Market$ o$Duke 设置下,我们的方法在 Rank1 和 mAP 上超过了当前最先进的性能,分别提升了 10.9% 和 12.8%。
Aug, 2023
我们提出了一种基于局部特征变换器的人员再辨识框架(PFT),通过三个模块设计,在提高视觉变换器的效率的同时最大限度提取局部特征,实现了对局部遮挡情况下的人员再辨识。实验结果显示,PFT 网络在遮挡和整体再识别数据集上表现出优异性能,并优于现有技术。
Jan, 2022
通过基于变压器编解码器架构的多元部分发现,包括基于像素上下文的变压器编码器和基于部分原型的变压器解码器,我们提出了一种新的端对端的面向部分的变压器,用于处理拥挤情景中受遮挡的人物重识别。实验结果表明,提出的方法在三个任务(受遮挡,部分和整体重识别)的六项基准测试中表现良好。
Jun, 2021
本文提出了一种新的自动人体部位对齐方案,基于此引入了 “部位令牌”,并结合自注意机制使其与非人类部位一起被有效地处理,实现了图像中人体部位特征的精确提取和检索。
Apr, 2021
本论文提出了一种名为 “Hierarchical Aggregation Transformer” 的学习框架,将卷积神经网络和 Transformers 相结合,以实现图像人员 Re-ID,并在四个大规模 Re-ID 基准测试上获得了比几种最先进方法更好的结果。
Jul, 2021
该论文综合评述了基于 Transformer 的物体再识别 (Re-ID) 的现有工作,涵盖了多个领域和挑战,并提出了一个基于 Transformer 的新方法 UntransReID,同时还讨论了未来研究中的重要问题。
Jan, 2024
本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别(PRe-ID)系统,该方法利用预训练的 CNN 进行高级特征提取,结合局部极大出现(LOMO)和高斯之高斯(GOG)描述符。此外,使用跨视图二次判别分析(TXQDA)算法进行多线性子空间学习,在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。
Dec, 2023
本研究将 Transformer 应用于基于视频的人体再识别,提出一种新的基于预训练的模型,并使用感知约束的时空 Transformer 模块和全局 Transformer 模块转换到下游域,取得了显著的准确率提高。
Mar, 2021
本文研究了物体再识别中全局 - 局部关系对于 Transformer 的影响,并提出了一种全局 - 局部 Transformer 模型,并基于最后几层的特征和类别信息学习了全局特征,同时结合多层局部信息来探索判别性的局部表示,在四个物体再识别基准数据集上实现了卓越的性能。
Apr, 2024