Sep, 2023

AaP-ReID: 改进的注意力感知人员再识别

PDF
TL;DR对于人物重新识别的挑战，本研究以在图像库中识别特定个体为主要目标，改进了现有的重新识别方法，并提出了 AaP-ReID，一种将通道注意力融入 ResNet 架构的人物重新识别更有效的方法。经过在三个基准数据集上的评估，相较于现有方法，在 Market-1501 上达到 95.6% 的准确率，DukeMTMC-reID 上达到 90.6% 的准确率，并在 CUHK03 上达到 82.4% 的准确率。
person re-identificationcomputer visionreid methodschannel-wise attentionbenchmark datasets
发现论文，激发创造
  • 注意力驱动的人物识别

    本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

    Oct, 2018

  • 人员再识别的注意力感知组合网络

    该论文提出了一种新型的名为 Attention-Aware Compositional Network 的框架，用于人物再识别。该框架主要包括姿态引导下的部分关注和关注感知特征组合两个模块，并利用人体姿态估计结果来处理姿态变化和背景混杂的问题，对几个公共数据集进行了广泛的实验，并取得了最先进的效果。

    May, 2018

  • 基于部分注意力模型的遮挡行人重新识别加强

    我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

    Apr, 2024

  • AANet：人物再识别中的属性注意力网络

    本文提出了一种新的人物再识别（re-ID）网络架构 Attribute Attention Network（AANet），该架构将人物属性和属性注意力图集成到分类框架中，并通过估计单个属性的类响应并将它们组合形成属性注意力图（AAM），来实现强大的判别性表示。在 DukeMTMC-reID 数据集上，相比使用 ResNet-50 的最佳前沿方法 arXiv:1711.09349v3 [cs.CV]，AANet 在 mAP 和 Rank-1 精度上分别超过 3.36% 和 3.12%；在重排后的 Market1501 数据集上，AANet 在 mAP 和 Rank-1 精度上分别达到 92.38% 和 95.10%，相对于另一种使用 ResNet-152 的最佳前沿方法 arXiv:1804.00216v1 [cs.CV]，精度分别超过 1.42% 和 0.47%。此外，AANet 还可以执行人物属性预测，并在查询图像中定位属性。

    Dec, 2019

  • 利用视觉注意力进行人员再识别

    论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

    Jul, 2017

  • 人员再识别的和谐注意力网络

    本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示，优化了未对齐人物图像中的人物重识别，相对于现有的一些方法具有明显的优越性。

    Feb, 2018

  • 利用自适应采样的锐利注意力网络进行人员再识别

    本文提出了一种新的尖锐关注网络，通过用卷积神经网络（CNN）的特征图自适应地采样人员再识别（re-ID）问题，从而生成更加尖锐的关注特征屏蔽蒙版，能够更有效地筛选弱相关的特征，通过可微分的 Gumbel-Softmax 采样器进行训练，实验结果表明，这种新型尖锐关注模型在三项挑战性基准测试中优于其他最先进的方法。

    May, 2018

  • 通过属性和身份学习提高人物再识别能力

    提出了一种基于属性标签和 ID 标签互补的 Attribute-Person Recognition（APR）网络，该网络是一个多任务网络，可以学习重新识别嵌入并同时预测行人属性，通过在两个大规模数据集上进行人物重新识别与属性识别的实验，实验结果表明，APR 实现了与现有方法相当的人物重新识别性能，并可用于属性识别任务并提出了改进方法。

    Mar, 2017

  • 视频行人再识别中的联合注意力时空池化网络

    本篇论文提出了一种新的联合空间和时间注意力池化网络（ASTPN）用于基于视频的人物再识别，能让特征提取器意识到当前输入的视频序列，而空间和注意力时间池化层都能从距离匹配信息中筛选出有代表性的人物并对其进行学习，实验证明可以优于现有的 state-of-the-art 方法。

    Aug, 2017

  • 遮挡行人再识别

    本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法，其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失，旨在解决在人群密集的公共场所中遭遇的遮挡问题，该新问题称为遮挡人物重新识别问题，实验表明该方法优于现有的三个基准方法。

    Apr, 2018