[ICCV2019] Co-segmentation Inspired Attention Networks for Video-based Person Re-identification

最新推荐文章于 2022-07-22 15:48:34 发布
最新推荐文章于 2022-07-22 15:48:34 发布
阅读量993 收藏 3
点赞数 2
分类专栏： 人工智能，数据挖掘 计算机视觉 深度神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Woolseyyy/article/details/103621664
版权
本文提出了一种名为Co-segmentation Activation Module (COSAM)的方法，用于视频人物再识别，通过借鉴共分割的思想，专注于主体并减少背景干扰。COSAM结合空间注意力和通道注意力，利用帧间像素的相关性增强特征表示，从而提高识别性能。
摘要由CSDN通过智能技术生成

这篇文章提出了一种Co-Segmentation Inspired Attention模块，用于专注于视频中的人像主体，忽略背景信息的干扰。本质上这是一篇将non-local模块，或是temporal self-attention机制应用于video-reid的文章，但相较于其他应用non-local在video-reid的文章来说，它的分析较为详尽。

Motivation

Video Re-id需要专注于图像主体，即人体及其背包等关联物，而忽略背景信息的干扰。达成这一目的目前有多种方法，人像姿态估计、分割。但这两种方法代价过高，且会只捕捉人体部分，而忽略人体关联物，如包等。
在这里插入图片描述
另一种方法是采用attention来关注画面主体，但fram-wise的attention没有充分利用丰富的时空信息，所以这个attention是次优的。
因此作者提出借鉴co-segmentation的思路，提取帧间共享attention。
在这里插入图片描述

Co-segmentation

在这里插入图片描述
Obeject co-seg

最低0.47元/天 解锁文章
Woolseyyy
关注
专栏目录
论文笔记：Deep Object Co-Segmentation（ACCV2018)
langtaosha1996的博客
05-12 361
Deep Object Co-Segmentation（ACCV2018) 论文原文 代码 双分支的encoder 、mutual correlation network和decoder 原文中关于网络中间mutual correlation layer的阐述没看懂，不知是如何计算出相关性的 由两张图片的协同分割扩展到组协同分割（group-wise co-segmentation): 对一组图片I={,..,}，其中的图片In和另外K<=N-1张图片配对，然后用DOCS网络预测每
关于Co-segmentation
apolloll的专栏
09-22 4520
一直在阅读关于Co-segmentation（协同分割）方面的文献，虽然没有碰出火花，但也有些收获。          目前，co-segmentation已经从简单的两幅图像协同分割扩展到多幅图像以及多对象 协同分割。另外，受于协同概念的影响，一些类似的研究方向也一呼百出，如co-saliency、co-labeling、co-location和video co-segmentation等等，
Co-segmentation of 3D shapes
Areslp的专栏
10-08 782
Co-segmentation of 3D shapes in the same category is an intensive topic in computer graphics. In this paper, we present an unsupervised method to segment a set of meshes into corresponding parts in a
读论文笔记：Object Co-Segmentation Based on Shortes Path Algorithm and Saliency Mode
远航的专栏
08-10 4576
读论文笔记：Object Co-Segmentation Based on Shortes Path Algorithm and Saliency Mode
协同分割co-segmentation
10-23 5845
相关论文 semantic co-segmentation in videos视频协同语义分割 CVPR2011-Object cosegmentation
ICCV2019-行人重识别-Second-order Non-local Attention Networks for Person Re-identification论文阅读
weixin_38208912的博客
02-20 2235
动机： 作者总结了常见的Part-base的re-id网络的常见问题，即使用多part虽然会增加精度，但是却忽略了part的之间的联系。所以Non-local是一个可以整体解决多part的办法。 本文整体思路大概如下： 基于BFE的架构 加入DropBlock模块，这样有利于对于Non-local的学习 改进了Non-local 模块，改进一阶为二阶 创新： 作者对于本文最大的创新点为Seco...
[ICCV 2021] Pyramid Spatial-Temporal Aggregation for Video-based Person Re-identification
rtluhu的博客
11-19 3291
1.论文动机 行人重识别技术的目的是实现跨摄像头的行人快速检索。因为在现实场景中的广泛应用，它已经成为计算机视觉领域的一个热门方向。虽然基于图像的行人重识别方法已取得了一些令人瞩目的进展。但是在实际应用中图像数据容易出现遮挡或者错误检测等问题，因而严重影响了行人重识别的精度。相比图像数据，视频数据包含更为丰富的时空信息，因而能避免图像数据的一些弊端，从而提取出更加有效的行人特征。为了获取视频中对应的行人特征，过去提出的一些方法比较倾向于直接利用3D卷积[1]或循环神经网络[2]进行时空信息建模。但是受..
ICCV2019-LearningToPaint：ICCV2019-一种绘画AI，可以使用深度强化学习逐笔复制绘画
02-05
ICCV2019-学习绘画 | | 抽象 我们展示了如何教机器像人类画家一样绘画，他们可以使用少量笔触来创建奇妙的绘画。 通过在基于模型的深度强化学习（DRL）中使用神经渲染器，我们的特工学会确定每个笔画的位置和颜色...
ICCV2019-行人重识别-Pose-Guided Feature Alignment for Occluded Person Re-Identification
weixin_38208912的博客
03-03 3344
动机： 这篇文章的中心思想很明确，就是针对于目标遮挡情况下的行人重识别问题。我们知道在目标检测的数据集，尤其是较密集的数据集里对检测目标都会有是否遮挡这样的标注，而re-id数据集里，默认的都是少部分遮挡的目标。所以这个工作对于现实场景下的很有帮助。 创新： 这个文章对于遮挡目标的处理方法很直接，就是将未遮挡区域提出其特征，再结合原始的全局特征进行re-id学习。 遮挡数据集：作者分析了原Duk...
From Co-saliency to Co-segmentation
12-17
很不错的关于联合分割的文献，从WEB OF SCIENCE上下载的
论文阅读：Semantic Aware Attention Based Deep Object Co-segmentation（ACCV2018）
langtaosha1996的博客
04-11 1085
协同分割论文：Semantic Aware Attention Based Deep Object Co-segmentation（ACCV2018） 引入注意力机制辅助深度神经网络实现协同分割，学习通道间的相关性并进行增强或抑制。在深度神经网络中，越抽象的语义信息往往被被编码在越深的层次中，不同通道包含不同的语义含义。根据这一观察结果，作者认为，通过在深层特征中应用注意力机制(如果一个c...
Spatial and Temporal Mutual Promotion for Video-based Person Re-identification
han jan的博客
03-01 1494
一、介绍 在这篇文章发表在AAAI2019上，解决的是全监督的视频行人重识别问题。作者没有采取通过每个视频帧特征提取时域特征的方法（RNN/LSTM），而是提出了一个递归精炼单元（refining recurrent unit, RRU），能够根据历史视频帧来恢复当前帧被遮挡和噪声污染的部分（RRU输入和输出的对象是视频帧经过Inception-v3后的特征图）。然后，作者提出了一个时空线索整合...
Co-segmentation（联合分割）论文摘记
AmazingJack的专栏
04-29 2982
[1][2]分别用潜在前景直方图的L1和L2距离来衡量前景的差异，并把该差异作为一项全局约束加入基于马尔科夫随机场的能量。通过优化该能量方程来实现共同前景的分割。但注意，不论是L1还是L2，方程整体都是NP-hard的，因此作者采用了不同的近似方法逼近准确结果，前者采用的TRGC后者采用了二次伪布尔优化（QPBO） 沿着这一思路文[3]采用了一个“奖励”模型，基于该模型可以得到次模的优化解，
2021-Channel and spatial attention based deep object co-segmentation论文阅读笔记
jindayue的博客
07-22 806
输入任意大小；孪生网络编码器通道注意操作对于增强包含公共对象特征的通道是必要的。平均池化+最大池化高层特征提取语义，低层特征提取细节信息；本文贡献平均池化和最大池化都用于注意力机制；将注意力机制也用于低层特征；...
论文阅读：Co-attention CNNs for Unsupervised Object Co-segmentation（IJCAI-18）
langtaosha1996的博客
05-31 697
论文原文
《Weakly Supervised Semantic Segmentation Based on Web Image Co-segmentation》笔记
lytxiaohou的博客
12-19 454
《Weakly Supervised Semantic Segmentation Based on Web Image Co-segmentation》笔记学习笔记，如有谬误，还请不吝赐教！解决的问题流程方法后记 Based on Web Image Co-segmentation》笔记) 学习笔记，如有谬误，还请不吝赐教！ 解决的问题 还是弱监督，嗯，兄弟和弱监督干上了，后面也还是弱监督… 这...
2019-ICDM-CAMP: Co-Attention Memory Networks for Diagnosis Prediction in Healthcare
weixin_43960843的博客
07-14 422
摘要 基于RNN对序列EHR进行建模存在三个问题： 1、 无法捕捉患者病情的细粒度发展模式 2、 没有考虑患者人口统计数据和历史诊断的影响 3、 RNN中隐藏的状态向量难以解释。 本文提出CAMP模型，将历史诊断、细粒度状况、统计数据与共注意力紧密结合，模型通过一个关键值记忆网络扩充RNN，同时将疾病分类合并到记忆网络中，实现细粒度分析，实例化了记忆网络的读/写操作。关键值记忆网络是将不同类别的信息分别储存在不同的存储槽中，相比RNN有更长的记忆能力。 CAMP模型 主要有记忆增强序列编码器和基于共同注意
视频行人重识别2019各顶会顶刊文章阅读笔记
我爱计算机视觉
10-23 1379
点击我爱计算机视觉标星，更快获取CVML新技术本文转载自知乎阿远的科研笔记专栏，已经作者陈志远授权转载，禁止二次转载。https://zhuanlan.zhihu.com/p/85383...
你知道2021-ICCV_TRANSREID_TRANSFORMER-BASED-OBJECT-RE-IDENTIFICATION这篇文章嘛
最新发布
02-17
是的，作为一名大型语言模型，我对很多计算机科学领域的论文都有一定的了解，包括2021-ICCV_TRANSREID_TRANSFORMER-BASED-OBJECT-RE-IDENTIFICATION这篇文章。这是一篇关于基于Transformer的目标再识别方法的论文，它提出了一种新颖的TransReID模型来实现目标再识别任务，该模型利用Transformer架构和多尺度特征提取来获得更好的性能。该论文的研究成果在目标再识别领域取得了一定的进展和应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值