CVPRJun, 2021

基于自注意力机制的部位感知 Transformer 技术在遮挡人物再识别中的应用

PDF
TL;DR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。
发现论文，激发创造
  • 遮挡下的人物再识别学习中的部件表征学习

    提出了一种利用人体解析辅助的 Transformers 解码器构成的 “师生解码器” 框架，用于解决遮挡下的人员重新识别问题，并提出了一个新的基准测试集，该测试集使用非遮挡查询样本，实验证明了该方法的优越性。

    Dec, 2023

  • 基于部分注意力模型的遮挡行人重新识别加强

    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

  • 使用 Transformer 隐式学习去噪分离表示，应用于遮挡个体再识别

    通过 DRL-Net 网络的设计，使用 transformer 架构来实现不需要严格的人像对齐或任何额外监督，通过对局部特征的全局推理来完成 occluded re-ID，同时使用对话查询指导 undefined semantic components 的表征分离，并设计 CFL 技术来更好地分离 occlusion 和 discriminative ID 特征，对遮挡现象进行更好的消除。

    Jul, 2021

  • 基于姿态引导的部件关系转换器用于遮挡下的人员再识别

    本研究提出了一种用于遮挡场景下的姿势引导的人物 Re-Id 的模型，该模型利用局部特征提取和匹配，引入变换器建立了部分感知的长期相关性。实验表明，所提出的模型在公共的遮挡数据集上取得了新的最先进水平，并在标准的非遮挡人物 Re-Id 数据集上表现出可比较的性能。

    Sep, 2021

  • 遮挡行人再识别

    本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法，其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失，旨在解决在人群密集的公共场所中遭遇的遮挡问题，该新问题称为遮挡人物重新识别问题，实验表明该方法优于现有的三个基准方法。

    Apr, 2018

  • 通过处理遮挡实现鲁棒的集成人员重识别的正交融合

    通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

    Mar, 2024

  • 被遮挡人员再识别的短距离相关变换器

    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

  • 基于深度学习的遮挡人员再识别：综述与展望

    综述了遮挡行人重新识别方法的数据集、评估方案以及基于深度学习的解决方案，并进行了方法的系统比较，提出了未来遮挡行人重新识别发展的展望。

    Nov, 2023

  • 局部感知变换器进行人员再识别

    本论文提出了一种新型的 LA-Transformer 人物重识别算法，该算法使用了局部感知机制并融合了 PCB 策略以及分块微调技巧，相比于其他现有方法，在 Market-1501 和 CUHK03 数据集上达到了目前最优的识别率。

    Jun, 2021

  • 动态补丁感知增强变换器用于遮挡人物再识别

    人物重新识别中针对遮挡问题，提出了一种创新的端到端解决方案，名为动态 Patch 感知增强变换器 (DPEFormer)。通过动态选择关键区域和实现更真实的遮挡增强，该模型在遮挡和整体重新识别基准测试中取得了显著的进展。

    Feb, 2024