深度分层特征稀疏框架对于遮挡人员重新识别的应用
提出了一种利用人体解析辅助的 Transformers 解码器构成的 “师生解码器” 框架,用于解决遮挡下的人员重新识别问题,并提出了一个新的基准测试集,该测试集使用非遮挡查询样本,实验证明了该方法的优越性。
Dec, 2023
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
通过使用集成模型和深度神经网络结构,提出了一种在人员重新识别中处理遮挡的方法,该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明,所提出的方法具有竞争力的排名 - 1 和 mAP 表现。
Mar, 2024
本研究提出了一种新的两流空间 - 时间人物重新识别(st-ReID)框架,该框架挖掘了视觉语义信息和空间 - 时间信息,引入 Logistic Smoothing(LS)联合相似性度量,使用快速直方图 - Parzen(HP)方法近似复杂的空间 - 时间概率分布,消除了很多无关图像,在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性,进步幅度达到了先前方法的很大程度。
Dec, 2018
本文提出了一种抵御遮挡和无需精确定位的人物重识别方法,并扩展其应用于更为真实和拥挤的场景中,在三个挑战性遮挡数据集和三个基准人物数据集上获得了极高的准确率。
Apr, 2019
本论文旨在提高人物再识别的性能。与常见的检测局部特征的方法不同,我们提出采用人类语义分析来提取局部特征,相应的性能得到了大幅提升,并成为了当前最优方法。此外,我们展示了通过简单且有效的训练策略可以使标准的卷积神经网络方法,如 Inception-V3 和 ResNet-152,无需修改即可显著提高人物再识别的性能。
Mar, 2018
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
本文提出了一种基于完全卷积神经网络的快速准确的匹配方法,结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题,并在多个数据集上进行的实验证明了该方法的有效性和效率。
Jan, 2018
本论文提出了一种名为 “Hierarchical Aggregation Transformer” 的学习框架,将卷积神经网络和 Transformers 相结合,以实现图像人员 Re-ID,并在四个大规模 Re-ID 基准测试上获得了比几种最先进方法更好的结果。
Jul, 2021