Deep Spatial Feature Reconstruction for Partial Person Re-identification Alignment-Free Approach(nt)

最新推荐文章于 2024-03-26 19:24:19 发布
最新推荐文章于 2024-03-26 19:24:19 发布
阅读量1k 收藏 3
点赞数
分类专栏： 行人重识别 文章标签： paper reading
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.youkuaiyun.com/qq_36269513/article/details/88540789
版权
本文介绍了一种用于部分人重识别的新方法——深度空间特征重建（DSR），该方法利用全卷积网络（FCN）生成一致的空间特征图，避免了对齐需求。DSR通过字典学习模型的重构误差来计算不同特征图的相似度，提高了同一人的图像匹配度，降低了不同人的匹配度。实验结果显示，该方法在部分人数据集和Market1501基准数据集上表现出高效率和有效性，尤其对于处理遮挡情况和尺度变化具有优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Deep Spatial Feature Reconstruction for Partial Person Re-identification Alignment-Free Approach

部分人重新识别（re-id）

解决遮挡情况下的匹配

提出的方法利用完全卷积网络（FCN）来生成特定尺寸的空间特征图，使得像素级特征是一致的。为了匹配一对不同尺寸的人物图像，因此进一步开发了称为深空间特征重建（DSR）的新方法以避免明确对齐。具体来说，DSR利用流行字典学习模型中的重构误差来计算不同空间特征地图之间的相似度。这样，我们期望所提出的FCN可以降低来自不同人的耦合图像的相似性并增加来自同一人的耦合图像的相似性。两个部分人数据集的实验结果证明了该方法的效率和有效性，并与几种最先进的部分人重做方法相比较。此外，它在基准人数据集Market1501上取得了有竞争力的结果，Rank-1的准确率为83.58％

 

由于实际中的遮挡现象频繁，无法每次都获得完整的行人图像。所以有了基于patch的研究。

滑动窗口匹配（SWM）[33]通过设置与探测图像尺寸相同的滑动窗口并利用它来搜索每个图库图像中最相似的区域，确实为部分重新引入了一种可能的解决方案（参见图（b））。但是，如果探查人员的人

最低0.47元/天 解锁文章
Deep Spatial Feature Reconstruction for Partial Person Re-identification: Freestyle Approach 阅读笔记
VacantField的博客
04-03 2136
这是CVPR 2018上的论文，论文针对局部行人再识别提出一种更高效率高准确率的方法，中文直译深度空域特征重建，Deep Spatial Feature Reconstruction。论文链接：https://arxiv.org/abs/1801.00881 局部行人再识别是一个很有现实意义的挑战。所谓局部是指，在无约束环境中，行人容易被遮挡，有姿势和视角变化，所以有时只有局部的行人图像可用于识别...
MicrosoftAsia-Semantics-Aligned Representation Learning for Person Re-identification---论文阅读笔记和工程实现总结
HeavenerWen的博客
05-19 1439
摘要 In this paper, we propose a framework that drives the reID network to learn semantics-aligned feature representation through delicate supervision designs 提出了一个框架，一个驱动reID 网络学习语义对齐的feature represention through 精细的监督设计。 学到的特征，在本质上就是语义对齐的意思。 ...
Deep Spatial Feature Reconstruction for Partial Person Re-identification: Alignment-free Approach笔记
与贰的博客
07-12 3019
前言 最近一直在看CVPR关于ReID的文章，前两天接连看了两篇基于数据增广提高模型accuracy的方法，感觉都是百变不离其宗差不多，有点看腻歪了的感觉，看到这篇文章，正如我刚刚对我郭师叔所说，换了一个角度，针对一个更小更具体的问题，提出了一种很有创意的想法。看的我很新奇也很开心。下面言归正传，介绍一下这篇文章。 摘要 关于行人重检测(person re-identification)前面...
【论文阅读】CVPR2018:Deep Spatial Feature Reconstruction for Partial Person Re-identification Alignment
Yolo的博客
09-18 2009
这篇paper在CVPR2018上被收录，来自于中科院自动化所孙哲南组，主要探讨了局部行人的再识别问题，在这个问题上，作者提出了一种被称为深度空域特征重建（DSR）的方法,相较于现有的滑窗匹配法（sliding window Matching 、SWM）、部分对部分匹配法（Part-to-part Matching）、形变匹配法（Resize Matching）等，识别效率和准确率都有大幅提高。...
DFR: Deep Feature Reconstruction for Unsupervised Anomaly Segmentation
qq_35623400的博客
06-13 406
然后是这个区域特征生成器，下边这张图是它的一个具体结构，首先将来自不同感受野的特征图进行resize，变成输入图像的空间大小，然后用均值滤波器对其进行卷积，最后将其拼接得到融合的特征图f(x)，这个特征图是多尺度的。作者他们在mvtec上做了实验，这里是它的一个实验结果，从右边图中可以看到除了作者的这个网络，还有一个ST-M效果也不错，但是它需要同时训练几个不同的网络，而作者这个模型只需要训练一个重建网络，更加灵活。这篇论文讲的是一个基于重建的无监督异常检测网络结构。
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
CVPR 2020 | 旷视新方法优化解决遮挡行人重识别
胭脂草的ABC博客
07-18 1934
CVPR 2020 | 旷视新方法优化解决遮挡行人重识别 为了获得遮挡ReID更加鲁棒的对齐能力，本文提出了一种新的框架，来学习具有判别力特征和人体拓扑信息的高阶关系。 论文名称：High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification 论文链接：https://arxiv.org/abs/2003.08177 导语 行人重.
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 5037
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
题目：Partial Person Re-identification with Part-Part Correspondence Learning
qq_37246721的博客
10-23 559
题目：Partial Person Re-identification with Part-Part Correspondence Learning 作者：Tianyu He 一、研究背景： 许多方法在使用时默认输入图片都是完全满足需求的，然而在实际应用时，输入图片往往没有那么完美。如果不对这些方法做出调整，残缺的输入图片会让实验效果大幅降低。因此，这篇文章致力于用自监督的PPCL网络学习局部与局部之间的关系，以更好地处理处理残缺图片。该网络不需要局部级的监督，只需要两个自监督损失约束。 二、研究目
行人检索 Partial Person Re-identification ICCV2015
cv_family_z的博客
11-17 3966
行人检索问题是一个很难得问题，而局部行人检索问题则更加的困难。目前大部分文献都关注整体行人检索，没有考虑遮挡问题。局部行人检索问题如下图所示： 下图所示为我们实际中的检索图像，以及我们手工框出来的输入图像，及对应的库中的图像。 针对局部行人检索问题，我们提出以下框架来解决： 首先是局部对局部进行匹配，然后再进行整体对局部进行匹配。3.1. Local-to-Local Matching
1504.ICCVPartial Person Re-Identification 论文笔记
xuluohongshang的博客
12-18 2023
1504.ICCVPartial Person Re-Identification 论文笔记 作者针对之前一些模型都是假设给以完整行人检测图像probe情况下，进行行人重识别任务，独辟蹊径，主要解决reid最难处理的遮挡问题，研究给以不完整的行人图像块来进行ReID任务建模。 主要贡献是： 将应用在partial人脸识别中MSTR（multi-task sparse represent
Learning Visibility-aware Part-level Features for Partial Person Re-identification 论文理解
SWEDEN_1003的博客
06-03 557
论文题目：Perceive Where to Focus: Learning Visibility-aware Part-level Features for Partial Person Re-identification 今天在实验室讲解一篇论文，是由PCB作者发表的，其基本思想是解决行人中的部分行人识别问题。是一种部件对齐的形式，和以往所看论文不同，该部件对齐的形式只对共享区域计算相似度，...
FRNet：Feature Reconstruction Network for RGB-D Indoor Scene Parsing
qq_43733107的博客
11-15 972
FRNet
DFR: Deep Feature Reconstruction for Unsupervised Anomaly Segmentation 用于无监督异常分割的深度特征重建
TU商的博客
02-01 2799
DFR: Deep Feature Reconstruction for Unsupervised Anomaly SegmentationDFR:用于无监督异常分割的深度特征重建类型：公开 原文：https://tongtianta.site/oss/paper_pdf/ccf44eb8-bad0-11eb-872a-00163e0d281a_ecb913b8dd2e9e210986f14a375232d3.pdfJie Yang, Yong Shi, ZhiQuan Qi杨洁，石勇，齐志权Ab
【论文精读】| Transformer-based Feature Reconstruction Network for Robust Multimodal Sentiment Analysis
"You are worthy! You can do it!"
03-26 1966
提高对数据丢失的鲁棒性已成为多模态情感分析（MSA）的核心挑战之一，在当前的研究中，针对具有不完全模态特征的MSA，提出了基于翻译的方法和张量正则化方法。然而，它们都无法处理非比对序列中缺失的随机模态特征。本文提出了一种基于Transformer的特征重构网络（TFR-Net），以提高模型对非对齐模态序列中随机缺失的鲁棒性。首先，采用基于模态内和模态间注意力的提取器来学习模态序列中每个元素的鲁棒表示。然后，提出了一个重构模块来生成缺失的模态特征。
FRNet：Feature Reconstruction Network for RGB-D Indoor Scene Parsing实验补充
qq_43733107的博客
11-17 820
FRNet的消融实验
【三维成像入门论文学习笔记】一、Unsupervised Learning of MonoDE and Visual Odometry with Deep Feature Reconstruction
Jackkii的博客
02-24 1024
论文全名：Unsupervised Learning of Monocular Depth Estimation and Visual Odometry with Deep Feature Reconstruction 基于深层特征重构的单目深度估计和视觉里程计的无监督学习 原文链接：https://arxiv.org/pdf/1803.03893.pdf 开源代码：https://github....
跨镜追踪（行人重识别Person Re-identification）读书笔记（四）
muyun0211的博客
01-27 1923
《A Coarse-to-fine Pyramidal Model for Person Re-identification via Multi-Loss Dynamic Training》 论文地址：https://arxiv.org/pdf/1810.12193.pdf 腾讯的一篇文章，提出一种多尺寸金字塔模型。如下所示，输入图片经过backbone后得到C × H × W的feature...
Context-Guided Spatial Feature Reconstruction for Efficient Semantic Segmentation
最新发布
03-17
### 基于上下文引导的空间特征重建的研究背景 在计算机视觉领域，语义分割是一项核心任务，其目标是对图像中的每个像素分配一个类别标签。为了提高效率并保持高精度，许多研究提出了不同的优化策略。其中一种有效的方法是通过 **基于上下文引导的空间特征重建 (Context-Guided Spatial Feature Reconstruction)** 来增强模型性能[^1]。 这种方法的核心在于利用全局和局部的上下文信息来改进空间特征表示的质量。具体来说，它可以通过自适应采样机制减少冗余计算，并专注于更具有判别性的区域。这种技术不仅能够加速训练过程，还能显著提升最终预测的准确性。 --- ### 自感知采样方案的应用 文章提到的一种名为“Self-aware Sampling Scheme”的方法被设计用于高效地训练全卷积网络(FCN)。该方法的关键思想是在训练过程中动态调整样本权重，从而优先处理那些更具挑战性的部分。这有助于缓解传统均匀采样的局限性，尤其是在面对复杂场景时。 #### 方法概述 以下是 Context-Guided Spatial Feature Reconstruction 的主要组成部分： 1. **多尺度特征融合**: 利用不同层次上的特征图捕获丰富的细节以及高层次抽象概念之间的关系。此操作通常借助跳跃连接或者注意力模块完成。 2. **上下文建模**: 引入全局平均池化(GAP)或其他形式的位置编码手段提取整个输入图片范围内的依赖模式。这些额外的信息可以指导后续阶段更好地理解对象边界及其内部结构特性。 3. **轻量化重构层**: 设计专门针对低延迟需求而定制化的解码器架构，在不牺牲太多质量的前提下降低参数量级数。例如采用深度可分离卷积代替标准二维卷积运算单元。 4. **损失函数创新**: 结合交叉熵误差项与其他正则化约束条件共同定义总体目标函数表达式。这样做既可以促进收敛速度又能防止过拟合现象发生。 ```python import torch.nn as nn class CG_SpatialReconstruction(nn.Module): def __init__(self, in_channels, out_channels): super(CG_SpatialReconstruction, self).__init__() # 多尺度特征融合组件 self.fusion_layer = nn.Sequential( nn.Conv2d(in_channels=in_channels * 2, out_channels=out_channels, kernel_size=1), nn.BatchNorm2d(out_channels), nn.ReLU() ) def forward(self, low_level_features, high_level_features): fused_feature_maps = torch.cat([low_level_features, high_level_features], dim=1) reconstructed_output = self.fusion_layer(fused_feature_maps) return reconstructed_output ``` 上述代码片段展示了一个简单的实现框架，展示了如何将高低级别特征结合起来形成新的表征向量集合。 --- ### 实验验证与效果分析 实验结果显示，当应用于大规模公开数据集（如 Cityscapes 或 ADE20K）上时，所提出的算法能够在保证较高IoU得分的同时大幅缩短推理时间成本。更重要的是，即使部署到移动设备端也能维持令人满意的用户体验水平。 ---
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