Introduction Motivation： 当前采用CNN RNN模型解决行人重识别问题仅仅提取单一视频序列的特征表示，而没有把视频序列匹配间的影响考虑在内，即在比较不同人的时候，根据不同的行人关注不同的部位，如下图： Contribution： 将注意力模型考虑进行人重识别中，提出了时空联合注意力池化网络 jointly Attentive Spatial Temporal Pooling ...
2019-12-29 15:22 0 761 推荐指数：
Introduction 本文主要提出了高效且容易实现的STA框架（Spatial-Temporal Attention）来解决大规模video Reid问题。框架中融合了一些创新元素：帧选取、判别力局部挖掘、不带参特征融合、视频内正则化项。 Proposed Method （1）总体 ...
Introduction 为了提取两个特征之间的相关性，设计了Relation Module（RM）来计算相关性向量； 为了减小背景干扰，关注局部的信息区域，采用了Relation-Guided Spatial Attention Module（RGSA），由特征和相关性向量来决定关注的区域 ...
Introduction 该文章首次采用深度学习方法来解决基于视频的行人重识别，创新点：提出了一个新的循环神经网络架构（recurrent DNN architecture），通过使用Siamese ...
本文提出的方法思想是利用属性信息来挖掘各个局部特征的权重，如下图所示。 网络框架如下图。框架对人体的六组属性进行了区分：性别&年龄、头部、上半身、下半身、鞋子、背包拎包等，具体见下表。通 ...
Introduction （1）Motivation: 在匹配过程中，存在行人的不同图片语义信息不对齐、局部遮挡等现象，如下图： （2）Contribution: ① 提出了Spin ...
Introduction （1）Motivation： 当前的一些video-based reid方法在特征提取、损失函数方面不统一，无法客观比较效果。本文作者将特征提取和损失函数固定，对当前较新的4种行人重识别模型进行比较。 （2）Contribution： ① 对四种ReId方法 ...
Introduction 在空间维度上，现有video reid方法局限于把所有帧在相同分辨率下进行特征提取，造成了特征冗余，如图(a)。 在时间维度上，现有方法要么采用long-term要么采用short-term，也有一些方法同时考虑了两者，却赋予两者相同的权重来融合。但如图(b)所示 ...
Introduction 本文有如下3个贡献： ① 提出了一个自下而上（bottom-up）的聚类框架（BUC）来解决无监督的ReID问题； ② 采用repelled损失来优化模型，repell ...
