差分隐私跨摄像头人员再识别
为了解决社交媒体、照片设备的普及,以及人脸识别系统的不断增加所带来的图像隐私问题,我们提出了一种基于未经条件训练的生成模型的潜在空间的图像混淆新方法,该方法能够合成高分辨率、逼真的面部图像,并以满足局部差分隐私的形式进行操作。据我们所知,这是首个满足人的 ε- 差分隐私的图像隐私方法。
Mar, 2021
本研究提出了 IdentityDP,这是一个脸部数据去识别框架,结合了一种数据驱动的深度神经网络和差分隐私(DP)机制。通过该框架,可以有效地推断脸部相关信息,保留重要视觉相似性并生成高质量图像,同时在不预注释情况下提供多样性结果,以实际需求为依据调整隐私和效用平衡,可广泛应用于身份非特异性计算机视觉任务。
Mar, 2021
通过提出一种端到端网络架构,在保护身份隐私的同时完成下游任务(如人物重新识别),我们旨在对事件流进行匿名化处理,以防止从事件相机重构图像的攻击,方法是学习对事件进行混淆,从而降低攻击者从隐私信息中恢复图像的能力。我们还通过丰富的实验验证了我们的方法,并报告了在从公开可用的 SoftBio 数据集和我们提出的 Event-ReId 数据集模拟的合成事件数据上的结果。
Aug, 2023
本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性,并以三个数据集为基准测试了四种方法,提供指南以帮助未来设计更好的人物重新识别流水线。
Dec, 2022
本篇研究提出了一种新的多尺度深度学习模型,能够在不同尺度上学习深度的区分特征,并自动确定最适合匹配的尺度,明确地学习不同空间位置提取区分特征的重要性,实验证明该模型在多项基准测试中优于现有技术。
Sep, 2017
本文提出了一种新的模型,可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段,从而可以计算可靠的时空和外观特征,同时学习用于人员重识别的视频排名功能。
Jan, 2016
本文提出一种基于数据驱动的方法学习跨多个相机视图的人物再识别,通过联合学习线性变换和字典编码像素值,并使用颜色作为唯一线索,在多个颜色空间中进行比较,取得了优于其他方法的结果。
Oct, 2014
该论文提出了一种新的基于核方法的跨视图协作表示分类算法 (Kernel X-CRC),针对人员再识别中小样本问题,利用训练集中的个体来对探针和库样本进行编码,实验结果表明该算法在四个重要的人员再识别数据集上都取得了优异的性能表现。
Nov, 2016
本文通过使用无人机平台进行视觉监控,提出并构建了一个大规模的航拍人员 ReID 数据集,使用子空间池化的卷积特征映射表示对输入个人图像进行 ReID,该方法可以高效地进行端对端训练,在所提出的数据集上实验的结果表明,在航拍图像中重新识别人员是一个具有挑战性的问题,但我们的方法表现尚可优于现有技术水平。
Aug, 2019