CVPRMar, 2022

级联变换器用于端到端的人员搜索

PDF
TL;DR本文提出了一种应对人物搜索中遮挡问题的算法，采用 Cascade Occluded Attention Transformer（COAT）的三阶段级联设计，并通过多项实验证明其成果达到了 state-of-the-art 的水平。
person searchcascade occluded attention transformerend-to-endocclusionsstate-of-the-art
发现论文，激发创造
  • 一个针对多人姿态跟踪的双源注意力转换器

    为了解决多人姿势关联问题，提出了一种双源注意力变换器，它包括姿势条件重识别网络、基于时间姿势相似性的边嵌入和基于注意力的匹配层，能够有效应对运动模糊、拥挤场景和遮挡等问题。

    Jun, 2023

  • 共组卷积 - 注意力图像变换器

    本文提出了一种基于变压器的图像分类器 Co-scale conv-attentional image Transformers (CoaT)，它具有多尺度和上下文建模能力，其中的 co-scale 和卷积注意机制可以帮助实现表示和通信，且在 ImageNet 数据集上的分类表现优于同样大小的卷积神经网络和图像 / 视觉变压器，可用于下游的计算机视觉任务。

    Apr, 2021

  • 坐标转换器：从视频实现单阶段多人网格恢复

    多人三维网格恢复是实现虚拟现实、物理治疗等领域团体行为自动感知的关键步骤。本研究提出了 CoordFormer 模型，通过建模多人空时关系并同时进行多网格恢复，显著提高了最新成果，超过了 MPJPE、PAMPJPE 和 PVE 指标，速度比最近的基于视频的方法快 40%。

    Aug, 2023

  • 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

  • 级联变形器进行姿态识别

    本文介绍了一种使用级联 Transformer 的基于回归的姿势识别方法，利用编码器 - 解码器结构实现了人体和关键点检测的回归，通过不同自注意力层中的关键点假设改进来展示了 Transformer 中的递归自注意力机制，并与竞争的回归方法进行比较得到了有竞争力的结果。

    Apr, 2021

  • 端到端比较型注意力网络用于人员再识别

    本文提出了一种新的基于软注意力的模型，即端到端比较注意网络 (CAN)，专门用于人员重新识别任务，该模型能够在几个瞥见后选择性地关注人的不同部位，学会哪些图像部位与识别相关，并自动整合不同部位的信息来确定两个图像是否属于同一个人，并在三个基准人员重新识别数据集上实现了最优性能。

    Jun, 2016

  • 高效的人物搜尋：一種無錨定方法

    本研究提出一种基于 AlignPS 框架的人物检索网络，采用 anchor-free 检测器，引入对齐特征聚合模块来生成更具辨别力和鲁棒性的 re-id 特征嵌入，同时并将 ROI-Align head 集成到模型中，该模型在 CUHK-SYSU 和 PRW 数据集上实验，显示出与最新模型相媲美的性能，并具有更高的效率。

    Sep, 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

    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

  • 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

  • HAT: 层次聚合变压器，用于人员再识别

    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