基于深度学习的遮挡人员再识别:综述与展望
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
本文介绍了人物重识别技术在深度学习方面的应用,提出了封闭式和开放式两种应用场景,并且详细分析了两种场景下的数据集、算法和评估指标。最后,设计了一个有效的基线系统,并提出了一个新的评估指标,同时探讨了未来的研究方向。
Jan, 2020
通过在人物换装场景中使用与服装无关的特征来检索和识别特定行人的换装人物重识别目标中,该论文定义了遮挡换装人物重识别作为一个新的任务,并构建了两个用于不同遮挡情境的遮挡换装人物重识别数据集。
Mar, 2024
本文提出一种教师 - 学生学习框架,通过构建共同显著特征提取网络和跨域模拟器,从全身人的领域中学习抗遮挡模型,并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。
Jul, 2019
本文通过对 2015 年至 2021 年间 230 多份文献的系统调查,首次综合性地回顾了针对各种视觉挑战的人员重新识别 (person re-identification) 方法,分析了当前方法的优缺点,提出了未来研究的发展方向。
Feb, 2022
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
本篇论文提出了一种新颖的框架,通过学习高阶关系和拓扑信息来实现人物重识别,其中采用了 CNN 和关键点估计模型分别从语义和局部信息两个角度进行特征提取,并将其视为图的节点,提出了自适应方向图卷积层和交叉图嵌入对齐层,通过优化图匹配和节点嵌入来最终匹配人员并在遮挡的数据集上取得了优越的效果。
Mar, 2020
本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性,并以三个数据集为基准测试了四种方法,提供指南以帮助未来设计更好的人物重新识别流水线。
Dec, 2022
通过基于变压器编解码器架构的多元部分发现,包括基于像素上下文的变压器编码器和基于部分原型的变压器解码器,我们提出了一种新的端对端的面向部分的变压器,用于处理拥挤情景中受遮挡的人物重识别。实验结果表明,提出的方法在三个任务(受遮挡,部分和整体重识别)的六项基准测试中表现良好。
Jun, 2021