ICMLMay, 2024

以标签平衡的多标签学习为基础的行人属性识别

PDF
TL;DR本研究提出了一种新颖的框架来处理现实中行人属性数据集中的标签不平衡和语义不平衡问题，并引入贝叶斯特征增强方法来增加属性的语义多样性和降低特征噪声，从而在不牺牲计算资源的情况下取得了最佳准确率。
发现论文，激发创造
  • 行人属性识别：一份调查

    介绍了现有的人行属性识别方法，包括传统方法和基于深度学习网络的方法，同时分析了多种学习算法和网络架构，总结出可行的研究方向，并给出实验结果的性能评估。

    Jan, 2019

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题，其中使用最大池化的弱监督目标检测技术来训练属性特征图，并通过检测响应大小的回归来预测属性标签，通过对检测层激活图的融合加权聚类，可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。

    Nov, 2016

  • 基于增量式少样本学习的行人属性识别

    本文提出了一种基于元学习的方法，以解决行人属性识别中存在的增量 few-shot 学习情形，实验表明该方法在 PETA 和 RAP 基准数据集上取得了具有竞争力的性能和低资源需求。

    Jun, 2019

  • 解决共现偏差问题：通过最小化互信息完成行人属性识别的属性分解

    我们提出了属性分离特征学习方法，通过最小化互信息问题确保了属性之间的独立性，此方法在逼真的数据集上显著提高了性能，并成为最先进的方法。

    Jul, 2023

  • 行人属性识别的再思考：具有高效方法的现实数据集

    提出两个现实数据集 PETA 和 RAPv2，通过解决行人属性识别中固有属性不平衡问题，提出高效方法进一步提高性能，实验证明该方法优越性并取得最先进的性能。

    May, 2020

  • 利用弱监督的多尺度属性特定定位改善行人属性识别

    提出适用于行人属性识别的属性定位模块 (ALM)，以自适应方式发现最具有区分性的区域并学习每个属性的区域特征，并引入特征金字塔架构以实现低水平的属性特定局部化。

    Oct, 2019

  • 面向行人属性识别的属性感知池化

    通过设计新颖的属性感知池化算法，本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题，充分利用不同属性之间的相关性解决多属性分类的挑战，并在基准数据集上进行了实验验证。

    Jul, 2019

  • 自动驾驶车辆 32 个行人属性的检测

    本文介绍了一种基于多任务学习的模型，通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别，其中包括道路等待行为的预测，结果在自动驾驶领域表现出竞争力和稳定性。

    Dec, 2020

  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018

  • 无监督学习伪属性去偏表示

    该论文提出了一种简单且有效的无监督去偏差技术，该方法利用聚类算法在特征嵌入空间识别伪属性，然后采用一种新颖的聚类加权重新调整方案来学习去偏置表示，以防止少数群体被忽视并达到最坏情况下的概括，实验证明其在多个标准基准测试数据集上具有出色的表现，甚至达到了有监督对照组的竞争精度。

    Aug, 2021