本文介绍了一个新的级联网络,该网络可以在不同场景下实现个人再识别,它不仅在衣服外观发生变化的情况下进行操作,而且还利用了 “soft-biometrics” 的概念,它包括身体形态等特征来增强匹配的准确性。
May, 2020
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
本文提出了一种语义掩膜驱动的对比学习方法,通过学习层次语义邻域结构中的 RGB 和语义特征,学习跨服装不变性,实现了长期无监督人员再识别。实验表明,与无监督 re-id 竞争对手相比,我们的方法具有更好的性能,并且与监督基线只有很小的差距。
May, 2023
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
该研究采用多目标优化解决方案,通过衣物变化合成和训练,成功改善了衣物变换人员识别模型在衣物保持不变条件下的性能,同时在标准人员识别任务中也表现出了卓越的性能。
Apr, 2024
该研究提出 DeepChange 数据集,用于长期服装变化下的人物再识别基准方法,包含 17 个摄像头和 1121 个身份,同时调研了多模态融合策略。实验表明,该方法在 DeepChange 数据集上能够胜任各种变化下的任务。
May, 2021
本研究首次系统地研究了目标人物更换服装(服装不一致问题)对基于人员再识别(ReID)的 AI 视频监控应用的影响,通过采集小样本真实数据集进行测试,并构建大规模逼真的合成数据集进行训练和深入研究, 发现更换服装使得 ReID 成为一个更加困难的问题,并挑战了现有模型对于识别穿着未知(新)服装的人员的泛化能力,本研究可有助于鼓励更多相关研究。
Mar, 2020
该研究提出了一种基于衣服的对抗损失 (CAL) 方法,从原始 RGB 图像中挖掘与衣服无关的特征来提高衣服变化人员重新识别的准确度。同时,也贡献了一个名为 CCVID 的数据集,为对建模时空信息提供实验基础。
Apr, 2022
通过使用语义一致性网络(SCNet)以及一系列有效的一致性约束条件,我们的研究旨在解决服装改变可能发生的情况下,跨多个监控摄像头检索目标人员的困难任务。结果表明,SCNet 模型在几个衣服变换人物重识别数据集上取得了显著进展,并且无需使用额外的辅助分割模块。
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