行人属性识别的轻量级属性定位模型
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
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
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
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
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
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
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
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