Introduction 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： Contribution: 提出了Spindle Net，包含了多階段ROI池化框架用於提取不同部位的特征，再通過特征融合網絡對不同部位的特征進行融合 設計了SenseReID數據集。 Body Region Proposal Network RPN RPN用於提取行人的區域 ...
2020-06-21 16:00 0 511 推薦指數：
Introduction （1）Motivation： 解決跨模態reid的方法主要有兩類：模態共享特征學習（modality-shared feature learning）、模態特定特征補償（modality-specific feature compensation）。模態共享特征學習 ...
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 本文主要解決RGB-IR跨模態匹配問題。貢獻主要有三部分組成： ① 提出了 Hierarchical Cross-Modality Disentanglement（Hi- ...
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 ...
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 （1）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 ...
參考曠視研究院推文【傳送門】 Introduction （1）Motivation： 遮擋行人重識別（Occluded Person ReID）更具有挑戰性： ① 受到遮擋的影響，圖像的判別信息更少，更容易匹配到錯誤的行人； ② 基於身體部位之間的特征信息做匹配雖然有效，但在被遮擋 ...
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 ...
