Jul, 2021

使用 Transformer 隐式学习去噪分离表示，应用于遮挡个体再识别

PDF
TL;DR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。
person re-identificationocclusionsdisentangled representation learning networktransformer architecturescontrast feature learning
发现论文，激发创造
  • 学习分解表示以实现强固的人员再识别

    本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

    Oct, 2019

  • 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

    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

  • 可控人物图像生成的解耦表示学习

    本文提出了一种名为 DRL-CPG 的新框架，用于学习可控人物图像生成的分离潜在表示，通过使用 transformer 编码器和属性解码器来实现形状和纹理的转换，实现了产生具有所需姿势和人体属性（例如姿势，头部，上衣和裤子）的逼真人物图像的目标。

    Dec, 2023

  • 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

  • 高阶信息的重要性：学习遮挡人员再识别的关系和拓扑

    本篇论文提出了一种新颖的框架，通过学习高阶关系和拓扑信息来实现人物重识别，其中采用了 CNN 和关键点估计模型分别从语义和局部信息两个角度进行特征提取，并将其视为图的节点，提出了自适应方向图卷积层和交叉图嵌入对齐层，通过优化图匹配和节点嵌入来最终匹配人员并在遮挡的数据集上取得了优越的效果。

    Mar, 2020

  • 一种新的被遮挡人员再识别师生学习框架

    本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。

    Jul, 2019

  • 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

  • 学习特征恢复变换器用于遮挡人物重新识别

    该研究提出了一种名为 Feature Recovery Transformer（FRT）的新方法，通过可见性图匹配和特征恢复变压器来同时解决干扰噪声和遮挡带来的行人信息损失的问题，与其他最新技术相比，在挑战性的 Occluded-Duke 数据集上的准确性提高至少 6.2% Rank-1 和 7.2% mAP 打分。

    Jan, 2023

  • 基于姿态引导的知识蒸馏特征学习用于遮挡场景下的行人再识别

    提出了一种名为 Pose-Guided Feature Learning with Knowledge Distillation（PGFL-KD）的网络，使用姿态信息规范学习，以获得语义一致的特征表示，以解决遮挡人物再识别的问题，其中姿态信息只用于训练而不参与测试，经过遮挡、部分和全身人物再识别等多项实验表明，该网络具有较高的效果。

    Jul, 2021

  • 基于 Transformer 的姿态引导特征解耦用于遮挡行人再识别

    本研究提出了一个基于 Transformer 框架的姿态引导特征去卷积（Pose-guided Feature Disentangling，PFD）方法，通过利用姿态信息来将语义组件（例如人体或关节部位）清晰地去卷积并相应地选择非遮挡部位进行匹配。经过五个具有挑战性的数据集的广泛实验证明，PFD 方法优于同类方法。

    Dec, 2021