Introduction 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： Contribution: 提出了Spindle Net，包含了多阶段ROI池化框架用于提取不同部位的特征，再通过特征融合网络对不同部位的特征进行融合 设计了SenseReID数据集。 Body Region Proposal Network RPN RPN用于提取行人的区域 ...
2020-06-21 16:00 0 511 推荐指数：
Introduction （1）Motivation： 解决跨模态reid的方法主要有两类：模态共享特征学习（modality-shared feature learning）、模态特定特征补偿（modality-specific feature compensation）。模态共享特征学习 ...
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 本文主要解决RGB-IR跨模态匹配问题。贡献主要有三部分组成： ① 提出了 Hierarchical Cross-Modality Disentanglement（Hi- ...
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 ...
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 （1）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 ...
参考旷视研究院推文【传送门】 Introduction （1）Motivation： 遮挡行人重识别（Occluded Person ReID）更具有挑战性： ① 受到遮挡的影响，图像的判别信息更少，更容易匹配到错误的行人； ② 基于身体部位之间的特征信息做匹配虽然有效，但在被遮挡 ...
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 ...
