遮挡环境下的人物再识别网络:擦除、变换与添加噪音防御
通过 DRL-Net 网络的设计,使用 transformer 架构来实现不需要严格的人像对齐或任何额外监督,通过对局部特征的全局推理来完成 occluded re-ID,同时使用对话查询指导 undefined semantic components 的表征分离,并设计 CFL 技术来更好地分离 occlusion 和 discriminative ID 特征,对遮挡现象进行更好的消除。
Jul, 2021
本文提出一种教师 - 学生学习框架,通过构建共同显著特征提取网络和跨域模拟器,从全身人的领域中学习抗遮挡模型,并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。
Jul, 2019
通过使用集成模型和深度神经网络结构,提出了一种在人员重新识别中处理遮挡的方法,该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明,所提出的方法具有竞争力的排名 - 1 和 mAP 表现。
Mar, 2024
本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架,采用卷积神经网络进行遮挡检测,Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧,通过与其他先进技术比较分析,我们的方法在各种数据集上展现出鲁棒性,成为现实生活监控系统应用的优秀选择。
Apr, 2023
该研究提出了一种名为 Feature Recovery Transformer(FRT)的新方法,通过可见性图匹配和特征恢复变压器来同时解决干扰噪声和遮挡带来的行人信息损失的问题,与其他最新技术相比,在挑战性的 Occluded-Duke 数据集上的准确性提高至少 6.2% Rank-1 和 7.2% mAP 打分。
Jan, 2023
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
本文提出了一种行人检测和重新识别(re-id)集成网络(I-Net),用于实现端到端学习框架,以在实际视频监控场景中搜索目标人员,展示了其在人物搜索数据集上优越的性能。
Apr, 2018
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。
Jul, 2023
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
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