Oct, 2023

使用身体部位外貌进行玩家重新识别

PDF
TL;DR我们提出了一种神经网络架构，用于学习足球运动员再识别的身体部位外观。我们的模型包括一个双流网络（一个用于外观地图提取，另一个用于身体部位地图提取）和一个双线性池化层，用于生成和空间汇聚身体部位地图。我们的模型通过将相应的局部外观和身体部位描述符进行双线性映射来获得身体部位地图的每个局部特征。我们的新颖表示产生了一个强大的图像匹配特征图，它由相关身体部位的局部相似性与加权外观相似性的组合结果得到。我们的模型不需要在 SoccerNet-V3 再识别数据库上对身体部位进行任何注释，而是使用现有姿态估计网络（OpenPose）的子网络来初始化部位子流，然后训练整个网络以最小化三元组损失。外观流使用 ImageNet 数据集进行预训练，而部位流从头开始训练 SoccerNet-V3 数据集。通过展示其优于 OsNet 和 InceptionNet 等最先进模型的性能，我们证明了我们模型的有效性。
neural network architecturesoccer player re-identificationbilinear-pooling layerbody part maptriplet loss
发现论文，激发创造
  • 人物再识别的部分对齐双线性表示

    本文提出了一种新的网络，通过两个流对人体的外观特征和身体部位特征进行提取，使用双线性池化层生成和空间池化对齐后的部分特征图，从而有效地解决了人体部位错位问题，并且在不需要对其进行任何标注的情况下对整个网络进行训练。

    Apr, 2018

  • 人物重识别的深度学习部分对齐表示

    本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

    Jul, 2017

  • 利用全局、局部身体部位和头部流增强长期个体重新识别

    本文提出了一个新的框架，有效地学习和利用全局信息和局部信息，解决了长期人物再识别中衣物变换和衣物一致情况的限制，并通过生成伪标签和训练身体部位分割模型来提取身体部位特征，实验证明了该方法优于现有的最先进方法。

    Mar, 2024

  • 人员再识别关系网络

    本研究提出了一种新的人物再识别关系网络，考虑了个体身体部位之间以及部位与其他部位之间的相互关系，有效提高了特征辨别能力，同时使用全局对比池化方法获取人物图像的全局特征，该方法已在多个数据集上实证表明其优越性。

    Nov, 2019

  • 从密集身体部位学习 3D 人体形状和姿势

    本文提出了一种从稠密对应的人体部位进行学习的方法，通过构建 2D 像素与 3D 顶点之间的桥梁，提出了解决非线性、位移等问题的 Decompose-and-Aggregate 网络（DaNet），并给出了一种利用空间关系的位置辅助旋转特征细化策略来提高鲁棒性的姿态预测策略，发现该方法显著提高了重建性能。

    Dec, 2019

  • 针对个体重新识别学习身体和潜在部位上的深度上下文感知特征

    本文提出了一种多尺度背景感知网络（MSCAN）用于学习全身和身体部位的强特征，在每个层中通过堆叠多尺度卷积来捕捉局部上下文知识，并且通过使用新的空间约束来学习局部变形行人部分，并将全身和身体部分的表示学习过程集成到一个统一框架中，通过多类人物识别任务实现了人物再识别，且在当前挑战性大规模人物再识别数据集上，包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集，都取得了最先进的结果。

    Oct, 2017

  • 野外人物搜索的鲁棒部分匹配

    本文提出了一种针对人员搜索的 Align-to-Part 网络，可以解决由遮挡等因素导致的检测边界框不精确问题，并且还建立了大规模的人员搜索数据集 LSPS。实验证明，该网络在 LSPS 上具有显著的性能提升，并且在 CUHK-SYSU 和 PRW 等基准测试上也取得了竞争性的表现。

    Apr, 2020

  • 多任务学习用于体育视觉追踪中的联合再识别、团队归属和角色分类

    提出了一种名为 PRTreID 的多功能基于部分的人物表示方法，用于追踪、重新识别并同时执行角色分类、团队关联和重新识别任务，此方法通过多任务学习得到更丰富、更有区分性的表示，并成功地应用于处理长期追踪的足球视频数据集（SoccerNet tracking dataset），在效果上超过了现有的所有追踪方法。

    Jan, 2024

  • CA3Net: 面向人物再识别的上下文 - 注意力属性外观网络

    本文介绍了一种新的人物再识别方法 CA3Net，它利用深度学习技术，同时利用语义属性和视觉外观，以及身体部位之间的空间依赖关系，学习生成具有鉴别性和鲁棒性的行人表示。实验证明，该方法在 Market-1501 和 DukeMTMC-reID 数据集上取得了很好的效果。

    Nov, 2018

  • 超越人类身体：用于人员再识别的双部分对齐表示

    本文提出了一种基于人体解析模型和自注意力机制获取其它目标区域信息的方法，实现了在三个基准数据集上的最新性能，提高了人物重识别的准确性。

    Oct, 2019