Introduction Motivation： 當前采用CNN RNN模型解決行人重識別問題僅僅提取單一視頻序列的特征表示，而沒有把視頻序列匹配間的影響考慮在內，即在比較不同人的時候，根據不同的行人關注不同的部位，如下圖： Contribution： 將注意力模型考慮進行人重識別中，提出了時空聯合注意力池化網絡 jointly Attentive Spatial Temporal Pooling ...
2019-12-29 15:22 0 761 推薦指數：
Introduction 本文主要提出了高效且容易實現的STA框架（Spatial-Temporal Attention）來解決大規模video Reid問題。框架中融合了一些創新元素：幀選取、判別力局部挖掘、不帶參特征融合、視頻內正則化項。 Proposed Method （1）總體 ...
Introduction 為了提取兩個特征之間的相關性，設計了Relation Module（RM）來計算相關性向量； 為了減小背景干擾，關注局部的信息區域，采用了Relation-Guided Spatial Attention Module（RGSA），由特征和相關性向量來決定關注的區域 ...
Introduction 該文章首次采用深度學習方法來解決基於視頻的行人重識別，創新點：提出了一個新的循環神經網絡架構（recurrent DNN architecture），通過使用Siamese ...
本文提出的方法思想是利用屬性信息來挖掘各個局部特征的權重，如下圖所示。 網絡框架如下圖。框架對人體的六組屬性進行了區分：性別&年齡、頭部、上半身、下半身、鞋子、背包拎包等，具體見下表。通 ...
Introduction （1）Motivation: 在匹配過程中，存在行人的不同圖片語義信息不對齊、局部遮擋等現象，如下圖： （2）Contribution: ① 提出了Spin ...
Introduction （1）Motivation： 當前的一些video-based reid方法在特征提取、損失函數方面不統一，無法客觀比較效果。本文作者將特征提取和損失函數固定，對當前較新的4種行人重識別模型進行比較。 （2）Contribution： ① 對四種ReId方法 ...
Introduction 在空間維度上，現有video reid方法局限於把所有幀在相同分辨率下進行特征提取，造成了特征冗余，如圖(a)。 在時間維度上，現有方法要么采用long-term要么采用short-term，也有一些方法同時考慮了兩者，卻賦予兩者相同的權重來融合。但如圖(b)所示 ...
Introduction 本文有如下3個貢獻： ① 提出了一個自下而上（bottom-up）的聚類框架（BUC）來解決無監督的ReID問題； ② 采用repelled損失來優化模型，repell ...
