- 其他符号很重要:探索视觉变换器在物体再识别中的全局和局部特征
本文研究了物体再识别中全局 - 局部关系对于 Transformer 的影响,并提出了一种全局 - 局部 Transformer 模型,并基于最后几层的特征和类别信息学习了全局特征,同时结合多层局部信息来探索判别性的局部表示,在四个物体再识 - CVPR魔法令牌:多模物体重新识别中的选择多样性令牌
通过 EDITOR 框架中的多模态对象 ReID 方法实现对背景的抑制、特征重提取、空间频率令牌选择和特征细化,以产生更具辨别性的特征,从而提高在复杂视觉场景中的对象再识别效果。
- 目标重新识别的 Transformer:一项综述
该论文综合评述了基于 Transformer 的物体再识别 (Re-ID) 的现有工作,涵盖了多个领域和挑战,并提出了一个基于 Transformer 的新方法 UntransReID,同时还讨论了未来研究中的重要问题。
- 高效云边协同推断之物体重新识别
通过云 - 边缘协作处理范例,我们提出了一种分布感知的相关建模网络(DaCM),用于重新识别系统,将希望的图像尽快返回云服务器,通过学习建模实例之间的时空关联性。我们的方法明显减少传输开销并显著提高性能。
- MM无人机中旋转不变的物体识别变压器
我们提出了一种新颖的旋转不变视觉变形器(RotTrans),利用视觉变形器的结构特点,在高级特征的基础上建立不变度约束,以增强模型对大旋转差异的鲁棒性。在最新的 UAV 数据集上,我们的模型表现优于现有的最先进技术,其 mAP 和 Rank - GraFT: 渐进融合变换器用于多模态再识别
Gradual Fusion Transformer (GraFT) is proposed for multimodal Object Re-Identification (ReID), employing learnable fusio - Alice 基准测试:将真实世界物体再识别与合成相连接
通过学习合成数据,我们引入了 Alice 基准测试,为研究社区提供了大规模的数据集和评估协议,同时讨论了领域适应的方法和未来方向。
- 具有身份知识演进的增量式摄像机目标重新识别
本文提出一种名为 CIOR 的新的 ReID 任务,通过连续优化来自摄像机数据集的 ReID 模式来解决存储、隐私约束和相机动态变化等问题。 进行 CIOR 的 Identity Knowledge Evolution(IKE)框架由 Id - 面向 3D MOT 的点云物体重新识别
本文探讨了在 3D 多物体跟踪场景下,通过学习匹配预测的 3D 边界框裁剪后的(例如,使用点云)点云观测到的对象对应,相比使用图像,通过点云进行对象重新识别的性能表现如何,并提出了可供比较的对象重新识别网络方法,发现使用高感度传感器的效果优 - CVPR自适应稀疏对损失在目标再识别中的应用
提出了一种基于少量样本对的新损失范式,稀疏成对(SP)损失,以及一个新的适应性正类挖掘策略,自适应稀疏成对损失(AdaSP)损失,用于对象重新识别,具有优于其他成对损失的表现,达到了几个重新识别基准的最新水平 。
- CVPR大规模训练数据搜索用于物体再识别
本篇论文提出了一种适用于物体重新识别领域的搜索和修剪(SnP)方案,用于从大规模数据池中构建训练集,以便获得具有竞争优势的模型,在不拥有实时标注数据的情况下,能够具有较高的重新识别精度。通过两个步骤提供比源池小 80%的训练集,同时达到类似 - 无需外观信息的跟踪:使用局部和全局运动模式学习车辆边界框及轨迹嵌入
本研究提出了一种基于运动模式的长期车辆跟踪方法,使用图卷积神经网络解决跟踪路径嵌入问题,无需外部外观信息,结果在 KITTI-car 跟踪数据集和 UA-Detrac 数据集上获得与最先进跟踪器相当的性能。
- AAAI邻域共识对比学习用于向后兼容表示学习
本研究提出 Neighborhood Consensus Contrastive Learning (NCCL) 方法,解决了现有的可回溯兼容性(backward-compatible)方法在应对复杂聚类结构和消除旧嵌入中的离群值影响方面的 - TransReID:基于 Transformer 的目标重识别
本文介绍了基于 transformer 的物体 ReID 方法 TransReID,通过重新排列 patch embeddings,设计新颖的 jigsaw patch module 和 side information embedding - CVPRIA-MOT: 具有运动一致性的实例感知多目标追踪
本文提出一种基于 “Mask R-CNN” 的新型跟踪框架,称为 “instance-aware MOT”,能够联合考虑实例级特征和对象运动来在静态或移动摄像机中跟踪多个对象
- 基于 Siamese Track-RCNN 的多目标跟踪
Siamese Track-RCNN 提出了一种单一追踪系统,其中包括检测支路、基于 Siamese 的跟踪支路和物体重新识别支路,测试表明其在 MOTChallenge 等数据集中的表现优于现有方法且更加高效。
- AAAI基于图像的目标再识别的不确定性感知多次拍摄知识蒸馏
本文提出了一种基于多张同一对象照片的师生式学习的 Uncertainty-aware Multi-shot Teacher-Student (UMTS) 网络,该网络可用于车辆人员重识别(Vehicle re-id and Person r