Jun, 2023

一种新的用于无人机车辆再识别的双池化注意力模块

PDF
TL;DR本文提出了一种新的双池注意力模块（DpA），通过构建通道池注意力（CpA）和空间池注意力（SpA）的两个分支并采用多个池操作以提高对车辆的细节信息的关注度，将特征信息融合，并同时使用标签平滑交叉熵损失和难度挖掘三元损失进行训练，从而解决了由于无人机拍摄距离过高导致车辆遗失的问题，并在 VeRi-UAV 和 VRU 上进行的大量实验证明了其有效性。
发现论文，激发创造
  • 用于无人机车辆重新识别的自校准空间特征提取网络

    本文提出了一种自对齐无监督网络来提取无人机视角下肖像系统中的细化特征，旨在解决操作难度大、需要困难的注释过程的问题，并在 UAV-VeID 数据集上实现了最佳的 ReID 效果。

    Jan, 2022

  • 基于语义引导部位注意力网络的方向感知车辆再识别

    提出了一种基于语义标签训练的、能够较为准确地预测车辆不同视角部分的注意力掩码的 Semantics-guided Part Attention Network (SPAN) 模型，结合 Co-occurrence Part-attentive Distance Metric (CPDM) 进行特征提取和度量，有效提高了车辆重识别的精度。

    Aug, 2020

  • 一种自适应注意力双通路车辆重识别模型

    本论文提出了一种基于自适应注意力模型和关键点位置的车辆重新识别方法 AAVER，该方法在全局外观路径和方向条件下的局部外观路径上进行特征提取，能够在不受限制的场景中准确地识别车辆并预测车辆的关键点。

    May, 2019

  • 基于视角感知的通道注意力网络用于车辆再识别

    本文提出了 Viewpoint-aware Channel-wise Attention Mechanism (VCAM) 方法，该方法通过通道方式重新调整输入车辆视角的每个特征图的重要性，提高了现有 Works 对车辆视角感知特征提取的噪声抑制和效果，实验证明在 VeRi-776 数据集上和 2020 年 AI City Challenge 中表现优秀.

    Oct, 2020

  • 视频行人再识别中的联合注意力时空池化网络

    本篇论文提出了一种新的联合空间和时间注意力池化网络（ASTPN）用于基于视频的人物再识别，能让特征提取器意识到当前输入的视频序列，而空间和注意力时间池化层都能从距离匹配信息中筛选出有代表性的人物并对其进行学习，实验证明可以优于现有的 state-of-the-art 方法。

    Aug, 2017

  • 可见光 - 红外人员再识别的动态双关注聚合学习

    本文提出了动态双重注意聚合（DDAG）学习方法，通过挖掘 VI-ReID 中的模态内部部分级别和跨模态图级别的上下文线索，提取具有较强辨别力和噪声鲁棒性的聚合特征，从而提高了检索精度。

    Jul, 2020

  • 注意力驱动的人物识别

    本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

    Oct, 2018

  • 车辆再识别的判别区域注意力和正交视图生成模型

    该论文提出了一种 Discriminative-Region Attention and Orthogonal-View Generation (DRA-OVG) 模型来解决车辆再识别面临的多个挑战，包括不同品牌车辆的外观相似性，不同视角下车辆外观变化，以及真实应用中难以获得精细标注的车辆数据。该模型利用区域注意力机制自动提取区分相似车辆的判别特征，并通过生成多视角特征减少视角误差的影响，最终通过判别特征和多视角特征共同表达车辆外观的差异，增强了对整个特征空间中车辆差异度量的意义，提高了车辆再识别的性能。

    Apr, 2022

  • 时空车辆重识别

    基于自适应 Parzen 窗方法和融合网络的空时域车辆重新识别框架在公共数据集（VeRi776）上取得 99.64% 的 rank-1 准确率，实验证明利用空时信息可以提高基于外观的方法的准确性并有效处理外观歧义。

    Sep, 2023

  • 基于 Stripe 和属性感知的网络：用于车辆再识别的双分支深度模型

    介绍了一种基于双分支条纹和属性感知的深度卷积神经网络（SAN）用于车辆重新识别。实验结果表明，该方法优于其他最先进的车辆重新识别方法。

    Oct, 2019