ICCVAug, 2023

学习适用于长期个体再识别的服饰和姿态不变的 3D 形状表示

PDF
TL;DR本研究通过提出一种新方法 3DInvarReID，旨在扩展长期人员再识别（LT-ReID）的范围，使其不仅适用于行人识别，还包括更广泛的真实世界人类活动，并考虑到大时间间隔内的服装变化场景。实验结果表明，我们的方法在人员再识别方面具有更好的性能。
long-term person re-identificationlt-reid3dinvarreidreal-world human activitiescloth-changing scenarios
发现论文，激发创造
  • 长期换衣服个体重识别

    本文介绍了一个新的级联网络，该网络可以在不同场景下实现个人再识别，它不仅在衣服外观发生变化的情况下进行操作，而且还利用了 “soft-biometrics” 的概念，它包括身体形态等特征来增强匹配的准确性。

    May, 2020

  • CCPA：对比服饰与姿态增强的长期个体重识别

    长期人员再识别，提出了 CCPA: 对比度服装和姿势增强框架，通过使用关系图注意力网络，捕捉与服装无关的身体形状信息。实验证明 CCPA 框架的有效性。

    Feb, 2024

  • 学习人物重新识别中服装变体的形状表示

    本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征，可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明，本研究的方法优于当前其他先进的方法。

    Mar, 2020

  • 通过 2D-3D 对应关系探索服装变换人员再识别的形状嵌入

    通过建立连续的表面对应关系，实现衣物变化人员再识别的方法，从图像中提取细粒度的形状特征，并通过跨模态融合模块与全局的 RGB 特征结合，从而显著增强了模型对于人体形状的整体理解。构建了第一个大规模的衣物变化人员再识别数据集，为每个人员图像提供了密集的 2D-3D 对应关系和精确的 3D 模型，同时包含了四季中各种不同的衣物变化情况。实验证明了我们方法的有效性。

    Oct, 2023

  • 基于身份引导的协作学习用于服装变换人员再识别

    本文提出了一种新的方案 —— 身份引导的协作学习方案（IGCL），通过人类的语义完全利用和身份不可变性来引导协作学习，以解决服装人物重新识别中的挑战。IGCL 实验结果表明其优于当前最先进的方法，提取的特征更加稳健，具有较强的区分性和服装无关性。

    Apr, 2023

  • 人物再识别遇见换衣服

    本研究首次系统地研究了目标人物更换服装（服装不一致问题）对基于人员再识别（ReID）的 AI 视频监控应用的影响，通过采集小样本真实数据集进行测试，并构建大规模逼真的合成数据集进行训练和深入研究， 发现更换服装使得 ReID 成为一个更加困难的问题，并挑战了现有模型对于识别穿着未知（新）服装的人员的泛化能力，本研究可有助于鼓励更多相关研究。

    Mar, 2020

  • 学习不变领域表示以实现可推广的人员复识别

    本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。

    Mar, 2021

  • 基于 LiDAR 的人员重识别

    利用预训练策略检索 3D 人体形状特征，引入基于图形的补充增强编码器提取全面特征的 LiDAR 感知的人物再识别（ReID）框架，构建了首个 LiDAR 感知的人物 ReID 数据集 LReID 以及用于预训练编码器的模拟行人数据集 LReID-sync，并在 LReID 上进行了大量实验，表现出 94.0 的排名 1 准确率，突显了 LiDAR 在解决人物 ReID 任务中的重要潜力。

    Dec, 2023

  • 中等衣服变化下的轮廓素描人员再识别

    通过轮廓素描提取人体形状特征进行跨服装人物再识别，训练新的数据集，并在实验中展示了我们的方法的有效性。

    Feb, 2020

  • 使用步态预测和规则化从单个图像中进行衣物变化人员重新识别

    本文提出一种名为 GI-ReID 的框架，利用人体独特的不依赖于衣服的步态信息作为辅助任务，从单张图像识别行人并实现实时监控，并在衣服变化的 ReID 标准测试集上得到了显著的性能提升。

    Mar, 2021