本文旨在解决人物搜索中两步法和端到端方法的准确度和效率之间的矛盾。作者提出了一个简单但强大的端到端网络及深度知识蒸馏方法,辅以空间不变数据增强技术,达到了与最先进的两步法相当的准确率并保持了单个联合模型的高效性。
Dec, 2020
本文提出了一种名为 DMRNet 的解耦和增强记忆的网络,用于解决当前单步方法中存在的目标冲突和小批量训练时识别特征学习不足的问题,在 CUHK-SYSU 和 PRW 数据集上实现了高达 93.2%和 46.9%的 mAP 精度,超越了所有现有的一步方法。
Feb, 2021
本文介绍了一个针对人物搜索的混合预训练框架,通过使用子任务数据,利用混合学习范式和任务内对齐模块,在有限资源下减轻了领域差异,在不同协议中实现了显著的模型改进。
Dec, 2023
本文介绍了一种基于查询引导的端到端人物搜索网络,并使用最新的联合检测器和重新识别工作 OIM [37] 进行扩展。实验结果表明,我们的方法在 CUHK-SYSU [37] 和 PRW [46] 数据集上都优于现有的最先进方法。
May, 2019
提出了一种基于 Sequential End-to-end 网络和 Context Bipartite Graph Matching 算法来提升 person search 中 re-ID performance 的方法,并在 CUHK-SYSU 和 PRW 两个 benchmark 上取得了最先进的结果。
Mar, 2021
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
本文提出了一种基于前景分割的人物搜索方法,将对象检测和人物重识别模型分离,使用两个不同的 CNN 来分别提取主体和原始图像的特征,并在 CUHK-SYSU 和 PRW 两个公认的基准测试中实现了比现有方法高 5pp 以上的 mAP 值,效果显著。
Jul, 2018
本研究提出了一种基于 re-ID 驱动的定位精化框架,通过可微的 ROI 转换层有效地转换原始图像中的边界框,实现对检测框的监督,从而提高行人搜索的效果。实验结果显示,该方法在常用的基准测试中对比现有方法表现明显更好。
Sep, 2019
基于扩散模型的 PSDiff 的人物搜索框架能够通过协同去噪的方式优化检测和重新识别子任务,取得了超越现有方法的最先进性能。
Sep, 2023
本文提出了一种多任务深度网络并联考虑二分类和排名任务,结合交叉域架构训练以解决人员再识别问题,实验结果表明,该方法有效性显著优于现有算法。
Jul, 2016