Feb, 2024

基于注意力的形状和步态表示学习方法对基于视频的更衣人物再识别

PDF
TL;DR本研究提出了一种基于注意力机制的形状和步态表示学习框架，通过使用空间 - 时间图注意力网络进行服装变化下的人物再识别，从而提高了人物再识别的性能。
video-based person re-identificationcloth-changing person re-idattention-based shape and gait representations learningspatial-temporal graph attention networkvccre-id
发现论文，激发创造
  • 使用步态预测和规则化从单个图像中进行衣物变化人员重新识别

    本文提出一种名为 GI-ReID 的框架，利用人体独特的不依赖于衣服的步态信息作为辅助任务，从单张图像识别行人并实现实时监控，并在衣服变化的 ReID 标准测试集上得到了显著的性能提升。

    Mar, 2021

  • 具有局部感知注意力的自监督步态编码用于人员再识别

    本研究提出一种新的基于骨架数据进行个人再识别的方法，利用无标记的骨架数据进行自我监督学习，结合局部关联注意机制和 Attention-based Gait Encodings 方法提取出更具区分性的步态特征，可有效提升现有基于骨架数据的方法 10-20％的排名 1 准确度，并且在与有 RGB 或深度信息的多模式方法相比时，表现相当甚至更优秀。

    Aug, 2020

  • 一种具有局部感知的自监督步态编码方法用于基于三维骨架的人员重新识别

    本文提出了一种自监督步态编码方法，通过生成反向骨架序列实现了足够丰富的高层语义，并且结合局部感知机制和对比学习策略，设计出有效的步态编码，在人物重新识别领域中超过了其它方法达 15% 至 40% 的 Rank-1 准确度。

    Sep, 2020

  • 基于身份引导的协作学习用于服装变换人员再识别

    本文提出了一种新的方案 —— 身份引导的协作学习方案（IGCL），通过人类的语义完全利用和身份不可变性来引导协作学习，以解决服装人物重新识别中的挑战。IGCL 实验结果表明其优于当前最先进的方法，提取的特征更加稳健，具有较强的区分性和服装无关性。

    Apr, 2023

  • 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

  • 使用注意力循环学习局部表征进行视角不变步态识别

    本研究提出一种基于卷积神经网络和循环神经网络的双向注意力模型，应用于步态识别领域。实验表明，该模型在数据采集和外观变化等因素影响下的识别性能优于其他方法，并对不同类型遮挡的数据具有更强的鲁棒性。

    Oct, 2020

  • 学习人物重新识别中服装变体的形状表示

    本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征，可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明，本研究的方法优于当前其他先进的方法。

    Mar, 2020

  • 姿势引导监督：服装更换人员再识别的框架

    通过 Pose Guidance by Supervision（PGS）框架，利用预训练特征中的姿势知识和人体部位信息引导深度学习模型关注与服装无关的信息，从而缓解服装对模型的影响，进而在 Person Re-Identification 任务中获得了具有竞争力的结果。

    Dec, 2023

  • 服装更换人员再识别的内容和显著语义协作

    我们提出了 Content and Salient Semantics Collaboration（CSSC）框架，通过有效利用行人图像中存在的丰富语义而无需任何辅助手段，实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征，并有效地减少了服装外观的干扰，从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能，显示了其优越性。

    May, 2024

  • 学习适用于长期个体再识别的服饰和姿态不变的 3D 形状表示

    本研究通过提出一种新方法 3DInvarReID，旨在扩展长期人员再识别（LT-ReID）的范围，使其不仅适用于行人识别，还包括更广泛的真实世界人类活动，并考虑到大时间间隔内的服装变化场景。实验结果表明，我们的方法在人员再识别方面具有更好的性能。

    Aug, 2023