Jun, 2023

行人属性识别的轻量级属性定位模型

PDF
TL;DR该论文提出了使用张量分解（比如 CPD-EPC 算法）对行人属性识别模型（ALM）进行高效的层次压缩，在资源受限的嵌入式设备上实现高效的轻量级行人属性定位模型（LWALM）的目标。
发现论文，激发创造
  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018

  • 利用弱监督的多尺度属性特定定位改善行人属性识别

    提出适用于行人属性识别的属性定位模块 (ALM)，以自适应方式发现最具有区分性的区域并学习每个属性的区域特征，并引入特征金字塔架构以实现低水平的属性特定局部化。

    Oct, 2019

  • 行人属性识别：一份调查

    介绍了现有的人行属性识别方法，包括传统方法和基于深度学习网络的方法，同时分析了多种学习算法和网络架构，总结出可行的研究方向，并给出实验结果的性能评估。

    Jan, 2019

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题，其中使用最大池化的弱监督目标检测技术来训练属性特征图，并通过检测响应大小的回归来预测属性标签，通过对检测层激活图的融合加权聚类，可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。

    Nov, 2016

  • 基于 Transformer 的行人属性识别多任务网络 PARFormer

    本研究提出了一种纯 transformer 的多任务行人属性识别网络，名为 PARFormer，其中包含 4 个模块：特征提取模块、特征处理模块、视点感知模块和属性识别模块，实现了竞争性的性能表现，并强调全局视角的重要性。

    Apr, 2023

  • 基于 CLIP 的提示视觉语言融合的行人属性识别

    将行人属性识别问题（PAR）构建为视觉语言融合问题，充分利用行人图像与属性标签之间的关系，在特征嵌入方面采用预训练的视觉 - 语言模型 CLIP 作为骨干网络，并通过对比学习目标和 Transformer 层来捕捉像素之间的远程关系，最后采用多模态 Transformer 有效地融合双重特征并使用前馈网络来预测属性。该算法在 PAR 领域中取得了最新的最优结果。

    Dec, 2023

  • 面向行人属性识别的属性感知池化

    通过设计新颖的属性感知池化算法，本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题，充分利用不同属性之间的相关性解决多属性分类的挑战，并在基准数据集上进行了实验验证。

    Jul, 2019

  • 自动驾驶车辆 32 个行人属性的检测

    本文介绍了一种基于多任务学习的模型，通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别，其中包括道路等待行为的预测，结果在自动驾驶领域表现出竞争力和稳定性。

    Dec, 2020

  • LiPar: 适用于实际车载网络入侵检测的轻量级并行学习模型

    利用轻量级并行神经网络结构 LiPar 来为多个电子控制单元（ECU）分配任务负载，实现在车载网络环境中适应性高、运行效率高、模型大小轻量的入侵检测系统，保护车载 CAN 总线安全。

    Nov, 2023

  • 基于密集属性特征图的加权 VLAD 人群计数

    本文提出了一种在学习局部感知特征集时融入语义信息的方法，使用卷积神经网络将原始像素空间映射为密集的属性特征图，并提出使用邻域补丁上空间金字塔的 LAF 来探索更多的空间上下文和局部信息，通过扩展传统的 VLAD 编码方法，将多样的系数权重考虑进去。实验证明了所提出的方法的有效性。

    Apr, 2016