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 amp 年齡 頭部 上半身 下半身 鞋子 背包拎包等，具體見下表。通過Resnet提取出全局的特征，通過全連接層得到 個特征划分，通過RAP靜態行人屬性數據庫進行遷移學習，得到屬性的判別器。特征融合的過程中采用時間注意力，對每個幀的各個屬性計算置信值，再進行加權融合。最終的 ...
2020-07-10 13:15 0 606 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 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 ...
； 為提取視頻級特征，采用了Relation-Guided Temporal Refinement M ...
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 ...
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 ...
Introduction （1）Motivation： 當前的reid存在語義不對齊的問題，如下圖： 圖（a）顯示了不同圖片的相同位置對應了行人的不同身體部位；圖（b）顯示了不同圖片呈現的部 ...
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 ...
