- 通过双边调制的场景自适应人物搜索
通过引入双边调制来减少背景噪音和前景噪音,维持一致的人员表示并适应不同场景,提出了一种场景自适应人员搜索(SEAS)模型。SEAS 模型可以在两个基准数据集上取得最先进的性能,其中 CUHK-SYSU 有 97.1% 的 mAP,PRW 有 - AAAI分治:混合预训练用于人物搜索
本文介绍了一个针对人物搜索的混合预训练框架,通过使用子任务数据,利用混合学习范式和任务内对齐模块,在有限资源下减轻了领域差异,在不同协议中实现了显著的模型改进。
- DDAM-PS:勤勉的领域自适应混合器用于人员搜索
提出了一个名为 DDAM-PS 的勤奋领域自适应混合模式的 Person Search 框架,旨在通过结合源领域和目标领域表示来改善知识转移,具有良好的性能和可扩展性。
- 基于开放世界用户生成视频内容的人物搜索的通用性
我们探索了增强人物搜索模型的域外泛化能力,并提出了一个可推广的框架,通过引入基于多任务原型的领域特定批量归一化和通道相关的特征去相关策略来促进任意场景中的下游任务。
- PSDiff:一种基于迭代和协作优化的人物搜索扩散模型
基于扩散模型的 PSDiff 的人物搜索框架能够通过协同去噪的方式优化检测和重新识别子任务,取得了超越现有方法的最先进性能。
- 基于 GAN 场景合成的跨场景视频领域自适应人物搜索
通过使用生成对抗网络,本研究设计了一种生成高质量跨身份场景合成的模型,用于人物搜索任务,实验证明该方法能够有效增加数据集的多样性和真实性。
- 文本人物搜索的跨模态特征校准
本文提出一种基于文本的人物搜索的新颖有效方法,使用双编码器和分离的跨模态解码器架构,采用两种新的损失来提供细粒度的跨模态特征,并在 CUHK-PEDES,ICFG-PEDES 和 RSTPReID 等三个流行基准测试中创造了排名前三的成绩。
- MM基于分组的自适应损失加权人员搜索
提出一种基于自适应损失权重分组方法的多任务学习模型,应用于人物搜索,通过考虑损失不确定性来自动和动态地调整每个任务的权重,优化人物搜索模型的训练效果。
- ECCV领域自适应人员搜索
本文提出了一种基于领域自适应的人员搜索模型 (DAPS),该模型通过设计一种新的领域自适应模块,最小化领域偏差,并结合伪边界框及动态聚类策略,帮助模型在未标记目标域中训练人员检索任务,实现了相对于现有方法更高的性能。
- ECCVOIMNet++: 基于原型归一化和定位感知的人员搜索学习
该研究提出了 OIMNet++ 用于人员搜索,此方法采用 ProtoNorm 进行标定和 L2 正则化的人员特征表示以具有更好的可识别性,同时引入了一个定位感知的特征学习方案,以更好地对齐提案并增强判别性别表示。
- CVPR使用 Transformer 的端到端一步式人物搜索(PSTR)
提出了一种新颖的基于 transformer 的人物搜索框架 PSTR,在一个结构中同时执行人物检测和重识别,实验结果表明其在两个流行基准测试上取得了最新的 state-of-the-art,其中最有挑战的 PRW 基准测试上平均精度(mA - CVPR级联变换器用于端到端的人员搜索
本文提出了一种应对人物搜索中遮挡问题的算法,采用 Cascade Occluded Attention Transformer(COAT)的三阶段级联设计,并通过多项实验证明其成果达到了 state-of-the-art 的水平。
- ICCV带区域网络孪生网络的弱监督人搜索
本文介绍了一种用于人物搜索的弱监督方法,该方法只需要标注边界框,使用 Region Siamese Networks 模型并应用实例级一致和簇级对比学习进行弱监督学习,实验表明该方法有效且在 CUHK-SYSU 基准数据集上的表现优于其他全 - 高效的人物搜尋:一種無錨定方法
本研究提出一种基于 AlignPS 框架的人物检索网络,采用 anchor-free 检测器,引入对齐特征聚合模块来生成更具辨别力和鲁棒性的 re-id 特征嵌入,同时并将 ROI-Align head 集成到模型中,该模型在 CUHK-S - 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。
- IJCAI人员搜索的挑战与解决方案:一项调研
本文从图片搜索和文本搜索的视角,对人物检索中的挑战和解决方案进行了调查和分析,集中评估了三个最为重要的规模限制:判别式人物特征,查询人缺口和检测 - 识别不一致性。我们总结和比较评估结果,同时讨论未来的研究方向。
- CVPR免锚人员搜索
本文提出了一种基于 AlignPS 的 anchor-free 框架来解决人物搜索问题,包括行人检测和人物重新识别,通过对齐特征聚合模块,实现更鲁棒的特征嵌入,显著提高了基线 anchor-free 模型的性能。
- 高效人员搜索的连续端到端网络
提出了一种基于 Sequential End-to-end 网络和 Context Bipartite Graph Matching 算法来提升 person search 中 re-ID performance 的方法,并在 CUHK-S - AAAI解耦和记忆增强网络:面向单步人物搜索的有效特征学习
本文提出了一种名为 DMRNet 的解耦和增强记忆的网络,用于解决当前单步方法中存在的目标冲突和小批量训练时识别特征学习不足的问题,在 CUHK-SYSU 和 PRW 数据集上实现了高达 93.2%和 46.9%的 mAP 精度,超越了所有 - AAAI端到端人员搜索的多样化知识蒸馏
本文旨在解决人物搜索中两步法和端到端方法的准确度和效率之间的矛盾。作者提出了一个简单但强大的端到端网络及深度知识蒸馏方法,辅以空间不变数据增强技术,达到了与最先进的两步法相当的准确率并保持了单个联合模型的高效性。