利用全局、局部身体部位和头部流增强长期个体重新识别
本文提出了一种针对人员重新识别问题的方法,即利用人体部分对齐表示以应对身体部位不对齐问题,并通过深度神经网络学习三个步骤,以最小化三元组损失函数来进行学习,这种方法可以更好地应对姿态变化和不同的空间分布情况,并在标准数据集上展现出最优结果。
Jul, 2017
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
本文提出了一种新的网络,通过两个流对人体的外观特征和身体部位特征进行提取,使用双线性池化层生成和空间池化对齐后的部分特征图,从而有效地解决了人体部位错位问题,并且在不需要对其进行任何标注的情况下对整个网络进行训练。
Apr, 2018
本研究提出了一种新的人物再识别关系网络,考虑了个体身体部位之间以及部位与其他部位之间的相互关系,有效提高了特征辨别能力,同时使用全局对比池化方法获取人物图像的全局特征,该方法已在多个数据集上实证表明其优越性。
Nov, 2019
我们提出了一种神经网络架构,用于学习足球运动员再识别的身体部位外观。我们的模型包括一个双流网络(一个用于外观地图提取,另一个用于身体部位地图提取)和一个双线性池化层,用于生成和空间汇聚身体部位地图。我们的模型通过将相应的局部外观和身体部位描述符进行双线性映射来获得身体部位地图的每个局部特征。我们的新颖表示产生了一个强大的图像匹配特征图,它由相关身体部位的局部相似性与加权外观相似性的组合结果得到。我们的模型不需要在 SoccerNet-V3 再识别数据库上对身体部位进行任何注释,而是使用现有姿态估计网络(OpenPose)的子网络来初始化部位子流,然后训练整个网络以最小化三元组损失。外观流使用 ImageNet 数据集进行预训练,而部位流从头开始训练 SoccerNet-V3 数据集。通过展示其优于 OsNet 和 InceptionNet 等最先进模型的性能,我们证明了我们模型的有效性。
Oct, 2023
本文提出了全局 - 局部时间表征(GLTR)的方法,以利用视频序列中的多尺度时间线索进行视频人物重新识别。这种方法通过对相邻帧中的短时时间线索进行建模,然后捕捉不连续帧之间的长期关系来构建。其中,短期时间线索是通过不同的时间扩张率平行膨胀卷积来表示行人的运动和外貌。利用时间自我注意模型来捕捉长期关系,以减轻视频序列中的遮挡和噪音。最终,通过简单的单流卷积神经网络将短期和长期时间线索聚合形成 GLTR。在四个广泛使用的视频 ReID 数据集上,GLTR 相对于基于身体部分线索或度量学习学习到的现有特征表现出显著的优越性。例如,在 MARS 数据集上,它取得了 87.02%的 Rank-1 精度,而且没有经过一次排序,优于目前的最新技术水平。
Aug, 2019
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
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