Mar, 2024

基于空间级联聚类和加权记忆的无监督人员再识别

PDF
TL;DR最近的无监督人员再识别（re-ID）方法通过利用细粒度的局部上下文实现了较高的性能。然而，大多数基于部分的方法通过水平分割来获得局部上下文，由于各种人体姿势导致了配准的问题。此外，部分特征中语义信息的不配准限制了度量学习的使用，从而影响了基于部分的方法的有效性。上述两个问题导致基于部分的方法中的部分特征被轻微利用。我们引入了空间级联聚类和加权记忆（SCWM）方法来解决这些挑战。SCWM 旨在为不同的人体部位解析和对齐更准确的局部上下文，同时使记忆模块平衡困难样本挖掘和噪声抑制。具体而言，我们首先分析了先前方法中前景遗漏和空间混淆的问题。然后，我们提出了前景和空间矫正来增强人体解析结果的完整性和合理性。接下来，我们引入了加权记忆并利用了两种加权策略。这些策略解决了全局特征的困难样本挖掘问题，并增强了部分特征的噪声抵抗能力，从而更好地利用了全局和部分特征。对于 Market-1501 和 MSMT17 等广泛的实验验证了所提出方法在许多最先进方法上的有效性。
发现论文，激发创造
  • 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

  • CGUA：上下文引导和未配对辅助的弱监督人员搜索

    本研究提出了一种基于上下文引导和非成对辅助的弱监督人物搜索框架，其中引入了一种新的上下文引导聚类算法来利用聚类过程中的上下文信息和一个非成对辅助存储器单元来通过远离操作来区分未成对和成对的人。

    Mar, 2022

  • 身份引导的人体语义分割用于人员再识别

    本文提出了一种基于身份指导的人类语义解析方法（ISP），通过级联聚类来生成伪标签，并仅利用人的身份标签来定位人体部位和个人物品并实现像素级别的对齐，最终从中获得人体部位和个人物品的本地特征，验证表明，该方法在三个被广泛使用的数据集上优于大量先进方法。

    Jul, 2020

  • 可见光 - 红外人员再识别的多尺度语义相关挖掘

    通过多尺度语义相关性挖掘网络（MSCMNet），从不同的模态中提取有区分性的特征用于匹配的任务中，最大的挑战在于如何全面利用语义特征以及尽可能减少特征提取中的模态信息损失。该网络包含三个主要组成部分：多尺度信息相关性挖掘模块（MIMB）用于关联多尺度语义特征，四重流特征提取器（QFE）用于从数据集的不同维度提取信息以丰富语义信息，以及四重中心三重损失（QCT）用于解决综合特征中的信息差异问题。在 SYSU-MM01、RegDB 和 LLCM 数据集上进行的广泛实验表明，所提出的 MSCMNet 具有最高的准确性。

    Nov, 2023

  • Deep-Person: 为人物再识别学习辨别性深度特征

    该研究提出了一种名为 Deep-Person 的三分支框架，利用 LSTM 建模行人身体从头到脚的序列，提高局部特征的鉴别能力以及同时学习了鉴别嵌入和相似度测量。实验证明该框架在市场 - 1501，CUHK03 和 DukeMTMC-reID 等三个数据集上，超过了现有的最先进方法，单次查询设置下市场 - 1501 的 mAP 达到了 90.84％。

    Nov, 2017

  • 无监督行人再识别的领域摄像机自适应和多特征协同聚类

    本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。

    Aug, 2022

  • 人物再识别的人类语义分析

    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

  • 时空人员再识别

    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

  • 感知焦点：学习可见性感知的部位特征，用于局部人员重新识别

    本文提出了一种 Visibility-aware Part Model (VPM)，该方法通过自我监督学习可以感知区域的可见性以提取区域级特征，并专注于两个图像上的共享区域，有助于部分重新识别任务的更高准确度。

    Apr, 2019

  • 弱监督下基于视觉语境的人物搜索研究

    该论文提出了一种弱监督的人物搜索模型，通过三种层次的上下文线索（检测、记忆和场景）来提高模型的判别能力和聚类准确性，在 CUHK-SYSU 数据集上取得了 80% 的平均精确度，并且在性能上甚至可以与一些有监督的模型媲美。

    Jun, 2021