IJCAIJul, 2023

解决共现偏差问题：通过最小化互信息完成行人属性识别的属性分解

PDF
TL;DR我们提出了属性分离特征学习方法，通过最小化互信息问题确保了属性之间的独立性，此方法在逼真的数据集上显著提高了性能，并成为最先进的方法。
pedestrian attribute recognitionco-occurrence modelingattributes-disentangled feature learningmutual information minimizationrealistic datasets
发现论文，激发创造
  • 以标签平衡的多标签学习为基础的行人属性识别

    本研究提出了一种新颖的框架来处理现实中行人属性数据集中的标签不平衡和语义不平衡问题，并引入贝叶斯特征增强方法来增加属性的语义多样性和降低特征噪声，从而在不牺牲计算资源的情况下取得了最佳准确率。

    May, 2024

  • 基于增量式少样本学习的行人属性识别

    本文提出了一种基于元学习的方法，以解决行人属性识别中存在的增量 few-shot 学习情形，实验表明该方法在 PETA 和 RAP 基准数据集上取得了具有竞争力的性能和低资源需求。

    Jun, 2019

  • 相关偏移下的解缠和泛化

    本文介绍了一种基于条件互信息的对抗学习方法，实现了在考虑属性相关性情况下，对数据因素进行有效分离的目的，提高了模型的鲁棒性。

    Dec, 2021

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    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

  • 端到端模型中的深度视角感知行人属性推断

    本文介绍了一个基于端到端学习框架的人行属性推断方法，将其作为多标签图像分类任务，以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。

    Jul, 2017

  • 学习识别行人属性

    本文介绍了一种利用周围的行人图像 context，比传统的基于 SVM 方法更好地推断行人属性的方法，并通过我们新发布的行人属性数据集进行实验评估背景和前景特征对属性识别的相关性。

    Jan, 2015

  • 自动驾驶车辆 32 个行人属性的检测

    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

  • 通过因果信息最小化校正多模型偏差

    研究论文通过利用因果论的方法，学习混淆因素的表示，并利用这些表示来消除模型中的偏见。研究发现，所学习的混淆因素表示确实捕捉到数据集中的偏见，并且所提出的消除偏见的方法在多个多模态数据集上提高了模型的离分布性能，而不损害在分布性能。

    Nov, 2023

  • 面向行人属性识别的属性感知池化

    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

  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018