Jun, 2023

基于数据驱动但注重隐私保护的完整身体人物综合征解除行人数据的身份

PDF
TL;DR介绍了一个名为 PDI 的任务，以评估指定去身份识别方法的去身份化程度和下游任务训练绩效，提出了基于生成对抗网络的全身去身份化方法，展示了该方法对乘客识别、探测和跟踪模型的应用及其可行性
发现论文，激发创造
  • 可学习的保护隐私的行人图像匿名化

    本文探讨了一种隐私保护的匿名化方法，它针对行人图像保留授权模型的个人身份信息（PII），同时防止第三方识别 PII。通过采用前沿的可逆学习方法，把传统隐私保护的监督式匿名方法与身份不变模型相结合训练，以保护隐私并在保证行人图像语义信息完整的同时，在重新识别任务中取得了较好的表现。

    Jul, 2022

  • ParGANDA: 实现物体检测中合成行人的现实

    使用生成对抗网络 (GAN) 以解决真实与合成数据之间的领域差异，提高物体检测的性能，尤其针对行人检测，在不需要真实标签的情况下生成真实样本，适用于各种下游任务。

    Jul, 2023

  • MOTSynth: 如何利用合成数据提高行人检测和跟踪的效果？

    使用渲染游戏引擎生成大量高度多样化的合成数据集 MOTSynth，可以在多人跟踪、行人检测、再识别和分割等任务中取代实际数据并取得良好的性能。

    Aug, 2021

  • 训练探测器以检测异常行人，利用对抗性 imposters 技术

    通过使用生成对抗网络（GAN）生成大规模合成数据集并训练辨别分类器，使得数据可以更好地匹配真实场景中的 “危险行人”，并可以应用于 “尾部场景” 的验证和排名算法，解决了现实场景中 “危险行人” 数据收集不足的问题。

    Mar, 2017

  • 行人合成 GAN：在实景及更多场景下生成行人数据

    本文提出了使用生成对抗网络（GAN）与多个辨别器结合的方法，生成大量逼真的行人图像并应用到行人检测任务中，证明通过添加合成数据可以显著地提高检测器的性能。

    Apr, 2018

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    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

  • 野外行人再识别

    介绍了一个用于人行检测和人物识别的新数据集 PRW 及其评估，利用 6 个同步摄像头采集的视频，包含 932 个身份和 11,816 帧，使用了各种检测器和识别器的绩效分析，提出了两种改进措施，并评估了这些措施对于人物重新识别的效果。

    Apr, 2016

  • 使用一系列的 GAN 生成合成图像进行行人检测

    提出一种新颖的图像生成流水线，其中包括三种不同的生成对抗网络，以增加行人检测的数据集，尽管生成的图像不总是对人眼视觉上愉悦的，但我们的检测基准显示结果明显超过基准线。

    Jan, 2024

  • 不要打扰我：在其他行人干扰下的人员再识别

    这篇论文提出了一种名为 PISNet 的深度网络，它可以从拥挤的场景中准确地识别目标行人并去除其他人的干扰信息。通过使用 Query-Guided Attention Block (QGAB) 和 Multi-Person Separation Loss 技术，该方法在两个新的行人干扰数据集上实现了优秀的表现。

    Aug, 2020

  • 城市数据集增强的人造人偶技术

    本文提出了一种数据增强方法 (DummyNet)，通过对城市场景中的人的姿态、外貌和目标背景场景进行解缠，从而生成不同姿态、外貌、嵌入不同背景场景，具有足够多的人的图像数据集合。DummyNet 不仅在各种数据集上提高了现有行人检测器的性能，而且在夜间条件下也表现出很好的性能，能够为驾驶应用程序的开发和测试提供重要组成部分。

    Dec, 2020