Jul, 2023

可见 - 红外视频人物再识别的对抗自攻击防御和时空关系挖掘

PDF
TL;DR本文提出一种新的可见 - 红外视频人物再识别方法，从对抗性自攻击防御和时空关系挖掘的新角度解决了跨模态行人身份匹配的问题。同时，通过激活输入样本中包含的干扰信息来引入对抗性干扰，将对抗攻击和防御集成到一个框架中，并提出了一个以空间 - 时间信息引导的特征表示网络来提取更加稳健的特征。在大规模跨模态视频数据集上，该方法表现出了很好的性能。
visible-infrared video person re-identificationadversarial self-attack defensespatial-temporal relation miningadversarial perturbationspatial-temporal information-guided feature representation network
发现论文，激发创造
  • 基于视频的可见光红外人员再识别与辅助样本

    本研究提出了一种可匹配可见光和红外相机捕捉的人物的可视红外人物再识别方法（VI-ReID），旨在实现 24 小时监控系统中的人物检索和跟踪。通过构建大规模 VI-ReID 数据集 BUPTCampus，本研究为该领域的进一步研究提供了基础，并通过应用生成对抗网络（GAN）和课程学习等方法，取得了显著优越的实验结果。

    Nov, 2023

  • 基于视频的可见光与红外人员再识别学习模态不变性和时间记忆

    本研究主要研究基于视频的跨模态人员重新识别方法。通过构建一个视频 RGB-IR 数据集，证明了在 RGB-IR 人员重新识别中，视频到视频的匹配非常重要。此外，还提出了一种新的方法，该方法不仅将两种模态投射到模态不变的子空间中，还提取了时间内存以实现运动不变性。

    Aug, 2022

  • 深度误排名下可转移、可控及不引人注意的行人再识别对抗攻击

    本文使用学习到的失误排名公式对当前表现最佳的人物重新识别模型的不安全性进行检验，提出了一种借助多阶段网络体系结构的反向盒子攻击方法，研究人员在四大重新识别基准上进行了广泛的实验。

    Apr, 2020

  • 可见光 - 红外跨模态人员再识别的高效框架

    本论文提出了一种四流框架，通过深度卷积神经网络中不同的输入图像表示来学习不同的特征，从而改善可见光 - 红外人员重识别系统的性能。实验结果表明，该框架在多个数据集上优于当前最先进的方法。

    Jul, 2019

  • 结合两种对抗攻击的人员再识别系统

    人物再识别（Re-ID）领域受到了深度神经网络的广泛关注，特别是图像分类。本文的焦点在于对 Re-ID 系统进行的对抗攻击，其可能对系统性能构成严重威胁。我们尝试对两种热门 Re-ID 模型（IDE（ResNet-50）和 AlignedReID）应用了两种类型的对抗攻击（P-FGSM 和 Deep Mis-Ranking），并在三个数据集上进行了实验，最佳结果在 Applied to CUHK03 的 AlignedReID 上展示了 Rank-10 度量指标下 3.36% 的降低。我们还尝试通过在推断过程中使用 Dropout 作为一种防御方法。

    Sep, 2023

  • 基于空间和时间记忆网络的视频人员再识别

    本文提出了一种基于 STMN 的新型人员 reID 方法，通过存储频繁出现在视频帧中的空间干扰和优化人员视频的典型时间模式的注意力，实现了对人员视频中的空间和时间干扰的有效处理。

    Aug, 2021

  • 通过对齐学习：利用跨模态对应关系进行可见光 - 红外人员再识别

    本研究提出了一种新颖的特征学习框架，通过利用密集对应的交叉模态人物图像，像素级地抑制与模态相关的特征，从而更有效地促进交叉模态本地特征的判别式特征学习，从而解决了可见 - 红外人物重识别的问题。

    Aug, 2021

  • 视频人员再识别的自适应图表示学习

    提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

    Sep, 2019

  • 学习人物再识别的实例级时空模式

    本文提出了一种新的个性化、时空解耦的人员再识别方法（InSTD）, 其中加入了个性化信息用于狭窄化搜索空间并将空间 - 时间传递概率从联合分布解耦以适应离群值，实验结果表明，我们的方法在 Market-1501 和 DukeMTMC-reID 上的 mAP 分别提高了 8.6％和 16.4％。

    Jul, 2021

  • 时空人员再识别

    本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

    Dec, 2018