![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
行人重识别
文章平均质量分 92
qq_45947498
这个作者很懒,什么都没留下…
展开
-
论文笔记5:VRSTC: Occlusion-Free Video Person Re-Identification
视频人物再识别(re-ID)在监控视频分析中占有重要地位。然而,在部分遮挡条件下,视频重识别性能严重退化。在本文中,我们提出了一种新的网络,称为时空补全网络(STCnet),以显式地处理部分遮挡问题。STCnet不同于以往大多数作品都是丢弃被遮挡的帧,STCnet可以恢复被遮挡部分的外观。首先,行人框架的空间结构可以用来从该框架的未遮挡身体部位预测遮挡的身体部位。另一方面,行人序列的时间模式为生成被遮挡部分的内容提供了重要线索。原创 2023-02-23 17:03:15 · 288 阅读 · 2 评论 -
论文笔记4:Temporal Complementary Learning for Video Person Re-Identification
提出了一种时间互补学习网络,提取连续视频帧的互补特征,用于视频人物的再识别。首先,我们介绍了一个时序显著性擦除模块,包括显著性擦除操作和一系列有序学习器。具体而言,对于视频的特定帧,显著性擦除操作通过擦除前一帧激活的部分来驱动特定学习器挖掘新的和互补的部分。这样可以发现连续帧的不同视觉特征,最终形成目标身份的整体特征。此外,设计了时间显著性增强(TSB)模块,在视频帧之间传播显著性信息,以增强显著性特征。它与TSE互补,有效缓解了TSE擦除操作造成的信息损失。原创 2023-02-17 10:33:30 · 194 阅读 · 0 评论 -
论文笔记3:BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video Person Re-Identificat
本文提出了一种有效的视频人物再识别的时空表示方法。首先,我们提出了一个双边互补网络(BiCnet)来进行空间互补建模。具体来说,BiCnet包含两个分支。细节分支以原始分辨率处理帧以保留详细的视觉线索,上下文分支采用下采样策略捕获长范围上下文。在每个分支上,BiCnet添加多个并行且多样化的注意模块,对连续帧发现发散的身体部位,从而获得目标身份的整体特征。此外,还设计了一个时序核选择(TKS)块,通过自适应模式捕获短期和长期的时序关系。原创 2023-02-09 15:50:59 · 378 阅读 · 3 评论 -
论文笔记2:Video-based Person Re-identification with Spatial and Temporal Memory Networks
人物视频中的空间和时间干扰因素,例如背景杂波和帧上的部分遮挡,分别使这项任务比基于图像的人物识别更具挑战性。我们观察到空间干扰物在特定位置一致地出现,而时间干扰物则表现出几种模式,例如,部分遮挡出现在前几帧,这种模式为预测关注哪一帧提供了信息线索(即时间注意力)。在此基础上,我们提出了一种新的时空记忆网络(STMN)。空间记忆存储了视频帧中频繁出现的空间干扰特征,而时间记忆存储了针对真人视频中典型时间模式优化的注意力。原创 2023-02-03 17:44:45 · 387 阅读 · 1 评论 -
论文笔记Multi-Scale Temporal Cues Learning for Video Person Re-Identification
摘要中提到将时间线索嵌入到视频中对于行人重识别是一个非常重要的线索。为了解决将时间线索嵌入应用到ReID中,提出了一个新的方法,在原来的2D卷积网络中,添加一个新的被叫做M3D(Multi-scale 3D convolution layer)的卷积层。根据M3D在2D卷积网络插入的位置,可分为局部M3D和全局M3D。局部M3D层被插入2D卷积层之间,用来学习相邻2D特征图之间的空时域线索。全局M3D被用来计算相邻帧特征向量,以学习它们的全局时间关系。因此,局部和全局M3D层学习互补的时间线索。原创 2022-11-26 16:52:30 · 399 阅读 · 0 评论