May, 2024

基于混合服装状态的生涯式人员再识别的图像 - 文本 - 图像知识传输

PDF
TL;DR基于 $Teata$ 框架，提出一种考虑混合服饰情况的终身个体重识别任务（LReID-Hybrid），通过结构语义提示学习和知识适应与投影策略来解决知识粒度和表示的不匹配问题。实验证明，所提出的方法在 LReID-Hybrid 和传统 LReID 基准上具有优势。
lifelong person re-identificationhybrid clothing statesknowledge granularity mismatchknowledge presentation mismatch$teata$ framework
发现论文，激发创造
  • 面向终身人员重识别的自动选择知识适配器

    Lifelong Person Re-Identification (LReID) uses a novel framework called AdalReID, featuring knowledge adapters and a parameter-free auto-selection mechanism, to overcome catastrophic forgetting and improve generalization ability by incrementally building domain-specific knowledge adapters and enhancing knowledge interaction and fusion.

    May, 2024

  • 通过自适应知识积累实现终身人员重识别

    本文提出了一种 “终身学习” 的 Person ReID 方法，采用自适应知识积累（AKA）框架来刻画人脑的认知过程，能够跨越多个领域持续学习，缓解领域变化和知识遗忘的问题，大规模实验表明该方法在推广性评估中的 mAP 指标超过其他竞争对手 5.8％。

    Mar, 2021

  • 通过知识更新和巩固实现终身人员重新识别

    提出了一种名为 Lifelong person re-identification (LReID) 的方法，通过知识刷新和巩固（KRC）模型进行学习，以实现对旧任务的记忆保持和对新旧任务的正向和反向迁移。

    Nov, 2022

  • 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

  • 长期换衣服个体重识别

    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

  • 基于更丰富自我学习的文本至图像人物重识别中的综合表示学习

    基于多对多匹配和多视角信息的文本到图像的个体重识别，并使用 LCR^2S 框架提出了一个轻量级模型用于推理时进行语义关联和多视角信息推理，以实现准确的文本到图像检索。

    Oct, 2023

  • 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

  • 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

  • CCPA：对比服饰与姿态增强的长期个体重识别

    长期人员再识别，提出了 CCPA: 对比度服装和姿势增强框架，通过使用关系图注意力网络，捕捉与服装无关的身体形状信息。实验证明 CCPA 框架的有效性。

    Feb, 2024

  • 面向终身人员再识别的分布对齐语义适应

    在本文中，我们提出了一种适应分布匹配语义调整（Distribution Aligned Semantics Adaption，简称 DASA）框架，通过有效地调整 BN 以减轻数据分布差异的干扰并冻结预训练的卷积层来保留共享知识，其显著降低存储消耗，优于先进的生命周期行人重新识别方法，是一种创新且经济高效的适应预训练模型进行生命周期行人重新识别的方法。

    May, 2024