Jul, 2021

HAT: 层次聚合变压器，用于人员再识别

PDF
TL;DR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。
convolutional neural networksperson re-identificationtransformershierarchical aggregation transformerdeeply supervised aggregation
发现论文，激发创造
  • 基于时空补充学习的卷积 - Transformer 深度耦合网络用于视频行人再识别

    本研究提出一种深度耦合的卷积 - Transformer 框架用于高性能视频人员重识别，包括特征提取、空间互补学习、时间互补学习以及自蒸馏训练策略，并取得了更好的性能。

    Apr, 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

  • HAT：用于图像恢复的混合注意力变换器

    Transformer-based methods have limitations in utilizing input information, so a Hybrid Attention Transformer (HAT) is proposed to improve restoration tasks by combining channel attention and window-based self-attention schemes.

    Sep, 2023

  • TransReID：基于 Transformer 的目标重识别

    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

  • 人员再识别的和谐注意力网络

    本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示，优化了未对齐人物图像中的人物重识别，相对于现有的一些方法具有明显的优越性。

    Feb, 2018

  • 考虑部分信息的可推广人员再识别变压器

    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

  • 人员再识别的交互和聚合网络

    本研究提出了 Interaction-and-Aggregation (IA) 网络结构，利用 Spatial IA 和 Channel IA 模块增强卷积神经网络对人的特征表示能力，并在三个基准数据集上验证了其在人员再识别领域的卓越性。

    Jul, 2019

  • 视图解耦变压器在空地摄像机网络下的人物重新识别

    现有的人物再识别方法在外观为基础的同质摄像头间的身份关联，比如地面 - 地面匹配，取得了显着的进展。 然而，作为一个更实际的场景，异构摄像头间的空中 - 地面人物再识别（AGPReID）却得到了极少的关注。为了缓解视角差异对身份表征的干扰，作为 AGPReID 中最重要的挑战，我们提出了一个简单而有效的方法，即视角解耦转换器（VDT）。 VDT 中设计了两个主要组件，用于解耦与视角相关和视角无关的特征，分别是层次减法分离和正交损失，前者在 VDT 内部分离这两个特征，后者约束这两个特征独立。此外，我们还贡献了一个大规模的 AGPReID 数据集，称为 CARGO，其中包括五个 / 八个空中 / 地面摄像头，5000 个身份和 108,563 张图像。在两个数据集上的实验证明，VDT 是 AGPReID 的可行和有效解决方案，在 CARGO 上的 mAP/Rank1 上超过先前方法达到 5.0％/2.7％，在 AG-ReID 上为 3.7％/5.2％，保持相同的计算复杂度。我们的项目可以在此 https URL 获得。

    Mar, 2024

  • 用于少样本学习的变形金刚中的属性替代学习和光谱标记池化

    本文提出了一种新型的 Hierarchically Cascaded Transformers，它通过属性代理学习和光谱令牌池化来提高数据效率。在少量数据的情况下，HCTransformers 在几个流行的 Few-shot 分类基准上都表现出了优异的性能。

    Mar, 2022

  • 基于深度属性的多摄像头行人重新识别

    为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

    May, 2016