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
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
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
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
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
本研究提出了一种新的人物再识别关系网络,考虑了个体身体部位之间以及部位与其他部位之间的相互关系,有效提高了特征辨别能力,同时使用全局对比池化方法获取人物图像的全局特征,该方法已在多个数据集上实证表明其优越性。
Nov, 2019
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
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