OIMNet++: 基于原型归一化和定位感知的人员搜索学习
提出了一种新的深度学习框架,该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别,用于行人搜索,并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。
Apr, 2016
本文提出了一种行人检测和重新识别(re-id)集成网络(I-Net),用于实现端到端学习框架,以在实际视频监控场景中搜索目标人员,展示了其在人物搜索数据集上优越的性能。
Apr, 2018
利用分类器将图像特征投影为类别原型,并将这些原型用作更有区分性的特征来进行人物 Re-ID。提出了一种新的基线模型 ProNet,在推理阶段保留分类器功能,通过分类器对特征进行投影从而学习类别原型,实验证明 ProNet 的性能显著优于之前的模型。
Aug, 2023
本文提出了使用人物重新识别 CNN 网络建模的新方法,使用 multi-scale 特征和统一聚合门,还使用 instance normalization 处理跨数据集的不一致性,并提出了一种有效的可微架构搜索算法。通过实验验证,该方法在同数据集下表现良好,在不使用目标数据的情况下,跨数据集的表现甚至超过大多数最新的无监督域自适应方法。
Oct, 2019
本研究提出了一种基于 re-ID 驱动的定位精化框架,通过可微的 ROI 转换层有效地转换原始图像中的边界框,实现对检测框的监督,从而提高行人搜索的效果。实验结果显示,该方法在常用的基准测试中对比现有方法表现明显更好。
Sep, 2019
本文提出了一种非线性局部度量学习方法(NLML),利用局部度量学习和深度神经网络的优点来学习多组非线性转换,通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界,从而有效地利用识别信息,本文通过在公共数据集上进行实验,证明了该方法在人物重新识别方面取得了最先进的结果。
Nov, 2015
本文提出了一种使用 CNN 联合学习局部和全局特征的方法,用于重新识别目标,实现了对多任务的优化,通过优化多任务的联合损失函数,达到一种损失函数的平衡,该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。
May, 2017
本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别(PRe-ID)系统,该方法利用预训练的 CNN 进行高级特征提取,结合局部极大出现(LOMO)和高斯之高斯(GOG)描述符。此外,使用跨视图二次判别分析(TXQDA)算法进行多线性子空间学习,在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。
Dec, 2023
本文介绍了一种基于 CNN 的方法,通过约束权重来学习具有良好鲁棒性的判别度量,其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层,通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。
Nov, 2015
该论文提出了一种结合了卷积神经网络特征提取方法和交叉视角二次判别分析进行度量学习的 PRe-ID 新方法,并使用马氏距离和得分规范化算法处理多摄像头下的匹配问题,实验表明该方法在多项数据集上均获得了可喜的结果。
Jul, 2023