目录
论文 1 Dynamic Feature Learning for Partial Face Recognition
论文 2 Deep Spatial Feature Reconstruction for Partial Person Re-identification: Freestyle Approach
论文 3 Adversarially Occluded Samples For Improving Generalization of Person Re-identification Models
论文 4 Learning Semantic Concepts and Order for Image and Sentence Matching
论文 5 A2-RL: Aesthetics Aware Reinforcement Learning for Image Cropping
论文 6 Discriminative Learning of Latent Features for Zero-Shot Recognition
论文 7 Pose-Guided Photorealistic Face Rotation
论文 8 Multistage Adversarial Losses for Pose-Based Human Image Synthesis
论文 9 Mask-guided Contrastive Attention Model for Person Re-Identification
论文 10 M^3: Multimodal Memory Modelling for Video Captioning
论文 11 Fast End-to-End Trainable Guided Filter
地址:https://www.leiphone.com/news/201802/nqyML9Vb4M9I5fNQ.html
论文 1 Dynamic Feature Learning for Partial Face Recognition
(提出滑动损失)
Lingxiao He, Haiqing Li, Qi Zhang, Zhenan Sun
在视频监控,移动手机等场景中,部分人脸识别是一个非常重要的任务。然而,很少有方法研究部分人脸块识别。我们提出一种动态特征匹配方法来解决部分人脸识别问题,它结合全卷积网络和稀疏表达分类。首先,利用全卷积网络提取 Gallery 和 Probe 的特征图;其次,利用一个大小滑动窗口把 Gallery 的特征图分解为与 Probe 特征图大小相同的子特征图,进而动态特征字典;最后,利用稀疏表达分类来匹配 Probe 特征图与动态特征字典的相似度。基于动态特征匹配方法,我们提出了滑动损失来优化全卷积网络。该损失减小类内变化,增加了类间变化,从而提高动态特征匹配的性能。相比于其他部分人脸识别方法,我们提出的动态匹配方法取得很好的性能。
动态特征匹配的部分人脸识别框架
论文 2 Deep Spatial Feature Reconstruction for Partial Person Re-identification: Freestyle Approach
Lingxiao He, Jian Liang, Haiqing Li, Zhenan Sun
部分行人再识别是一个非常重要并且具有挑战性的问题。在无约束环境中,行人容易被遮挡,有姿态和视角变化,所以有时候只有部分可见的行人图像可用于识别。然而,很少有研究提出一种可以识别部分行人的方法。我们提出了一种快速且精确的方法来处理部分行人再识别的问题。提出的方法利用全卷积网络抽取与输入图像尺寸相对应的空域特征图,这样输入的图像没有尺寸约束。为了匹配一对不同尺寸大小的行人图像,我们提出了一种不需要行人对齐的方法:深度空域特征重建。特别地,我们借鉴字典学习中重建误差来计算不同的空域特征图的相似度。按照这种匹配方式,我们利用端到端学习方法增大来自于同一个人的图像对的相似度,反之亦然。由此可见,我们方法不需要对齐,对输入图像尺寸没有限制。我们在 Partial REID,Partial iLIDS 和 Market1501 上取得很好的效果。
深度空域特征重建
论文 3 Adversarially Occluded Samples For Improving Generalization of Person Re-identification Models
Houjing Huang, Dangwei Li, ZhangZhang, Kaiqi Huang
行人再识别(ReID)是跨摄像机行人检索任务,由于存在光照变化、视角变化、遮挡等复杂因素,目前的模型往往在训练阶段达到了很高的准确率,但是测试阶段的性能却不尽人意。为了提高模型的泛化性能,我们提出了一种特殊的样本来扩充数据集:对抗式遮挡样本。
整个方法流程如下:(1