Part-aware Attention Network for Person Re-Identification

最新推荐文章于 2023-04-18 20:57:46 发布
原创 最新推荐文章于 2023-04-18 20:57:46 发布 · 1.8k 阅读 · 3 ·
CC 4.0 BY-SA版权
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。

部署运行你感兴趣的模型镜像

题目：Part-aware Attention Network for Person Re-Identification
作者：Wangmeng Xiang

一、要解决的问题(研究动机)：
（1）“多层次特征聚合”方法回会忽略不同层次特征图之间的长程联系
（2）基于特征提取的horizon pooling part会引起特征的误对齐

二、研究目标
（1）通过局部特征图与源特征图之间的一致性来计算注意力
（2）将高层局部特征和中间层特征联系起来，通过高层局部特征的引导，从中间层特征图中进行二次信息的生成

三、提出方法的依据
（1）中间层特征携带更多细粒度特征
（2）不同层的特征均映射到最后一层
（3）在所有空间点上计算

四、技术方法
在这里插入图片描述

用Part-aware Attention Network (PAN)来增强特征提取器的注意能力。
组成：part-aware attention module（局部注意力模块） and part feature learning module（局部特征学习模块）
（1）part-aware attention module（局部注意力模块）
在这里插入图片描述

第一步：得到Pi与X之间的一致性分数
第二步：将分数作为X的权重
第三步：进行归一化
在这里插入图片描述

在这里插入图片描述
综合上式可得到：
在这里插入图片描述
（2）part feature learning module（局部特征学习模块）
在这里插入图片描述

第一步：分别计算在视角i下，第j块的空间、通道注意力掩模，并将二者结合起来
第二步：将注意力与最后一层输出相乘，计算局部特征
在这里插入图片描述
在这里插入图片描述

五、方法创新归纳
（1）考虑了不同层特征图之间的关系
（2）解决了特征误对齐的问题

六、实验效果
在这里插入图片描述

八、我的体会和思考
需要注意在卷积过程中特征所发生的变化
不同卷积层之间有潜在的联系

您可能感兴趣的与本文相关的镜像

Wan2.2-T2V-A5B

Wan2.2-T2V-A5B

文生视频
Wan2.2

Wan2.2是由通义万相开源高效文本到视频生成模型，是有​50亿参数的轻量级视频生成模型，专为快速内容创作优化。支持480P视频生成，具备优秀的时序连贯性和运动推理能力

【论文阅读】Hierarchical Attention for Part-Aware Face Detection
huitailangyz的博客
05-06 705
【2019IJCV】 Wu, Shuzhe, Meina Kan, Shiguang Shan, and Xilin Chen. “Hierarchical Attention for Part-Aware Face Detection.” International Journal of Computer Vision 127, no. 6-7 (2019): 560-578. 任务：人脸检测 ...
Part-aware Prototype Network for Few-shot Semantic Segmentation阅读笔记
qq_42987423的博客
03-16 1306
第2节 贡献： 1.针对小样本语义分割提出了一种基于prototype的方法，在 one-way和multi-way当中都取得了很好的效果 2.提出了一个针对语义类的part-aware prototype表达，能够对编码微调的目标特征得到更好的分割 3.为了更好的得到类内的变量，使用一个图注意力网络对没有标签的数据进行半监督学习 本文的工作受到了度量学习方法的启发，其中包括由Oriol提出的将输入编码为一个embedded特征，并且实现加权最近邻来匹配类别。prototypical网络目的是学习一个度量空
A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos 论文记录总结
深度菜鸡-达闻西的博客
03-30 1286
A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos 文章目录A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos摘要介绍最近工作所提出的方法实验总结新的改变功能快...
Part-aware attention correctness for video salient object detection笔记总结
LanceHang的博客
04-18 479
问题：在以往的VSOD中，一般主要是研究时空结构，利用隐式注意力模型去聚合相邻视频帧的互补信息。但很少有方法去关注跨视频帧的亲和力，即建立显式注意力图式去完成VSOD。解决：提出一个新的注意力正确性策略去监督聚合过程。具体实现：采用成对训练模式，利用积极和消极的聚合监督去探索VSOD的视频间亲和力。该方法的优点：成功抑制视频帧的负对应，增强了对显著对象的判别（区分性）特征的挖掘。优化：为了增强视频内的一致性，提出了部分感知的相似性聚合模块，帮助视频内的亲和力去分割视频级上下文的显著对象。
12An Interaction-aware Attention Network for Speech Emotion Recognition in Spoken Dialogs
独孤东方朔的博客
04-05 530
文章目录前言一、文章内容二、文章总结三、相关代码 前言 原文地址—2019 一、文章内容 文章想法 输入数据 文章模型 训练方式 模型输出 实验结果 文章结论 二、文章总结 文章novel和优势： 同其他文章比较的劣势： 三、相关代码 ...
论文阅读（九）Attention-Aware Compositional Network for Person Re-identification
weixin_40500230的博客
07-19 763
Abstract 作者提出，姿态信息没有被好好的利用到行人再识别中，于是提出了Attention-Aware Compositional Network (AACN)模型。AACN包含两部分：（1）Pose-guided Part Attention (PPA)，通过学习掩盖背景部分。（2）Attention-aware Feature Composition (AFC)，通过pose-gu...
Relation-Aware Global Attention for Person Re-identification（CVPR2020）
胭脂草的ABC博客
07-10 2190
论文阅读笔记（四十五）【CVPR2020、AAAI2020】：Relation Feature 的应用 Relation-Aware Global Attention for Person Re-identification（CVPR2020） 本文主要提出了一个Relation-Aware Global Attention（RGA）模块，该模块可以提取空间上不同区域之间的关系向量，从而每个区域的特征能够“抓住局部”，同时“把握全局”。 该注意力的思想是计算每个区域特征向量与其它区域特征向量的关系，
STA: Spatial-Temporal Attention for Large-Scale Video-based Person Re-Identification
博客
05-14 1532
Abstract In this work, we propose a novel Spatial-Temporal Attention (STA) approach to tackle the large-scale person re-identification task in videos. Different from the most existing methods, which s...
Dual Attention Matching Network for Context-Aware Feature Sequence basedPerson Re-Identification（论文）
MJ17709005513的博客
04-05 4207
摘要 典型的行人重新识别 (ReID) 方法通常用单个特征向量描述每个行人，并将它们匹配到特定于任务的度量空间中。然而，基于单个特征向量的方法不足以克服视觉模糊，这在现实场景中经常发生。在本文中，我们提出了一种新颖的端到端可训练框架，称为双注意力匹配网络 (DuATM)，用于学习上下文感知特征序列并同时执行注意力序列比较。我们 DuATM 框架的核心组件是双重注意机制，其中序列内和序列间注意策略分别用于特征细化和特征对对齐。因此，可以自动利用和适当比较中间特征序列中包含的详细视觉线索。我们...
【CVPR 2021】Unsupervised Pre-training for Person Re-identification(UPT)
Joselynzhao
10-20 2261
方法概述 1，文章构建了一个大规划的无标注行人重识别数据集LUPerson。 2，文章仔细研究无监督预训练模型的关键因素。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Unsupervised Pre-training for Person Re-identification - CVPR 2021 - LUPerson、market501、du.
Mask-guided Contrastive Attention Model for Person Re-Identification学习笔记
与贰的博客
07-28 3686
刚刚去火车站买了下火车票，两个小时就为了刷个下铺。。。。。。突然看自己的笔记本，这周学的东西还有很多没有整理，上周的东西也还有很多没有清尾，最可耻的是上上周还有一篇计划了很久的东西，看了一半挂在那里没有看。郭师叔给的论文可能才看了1/8，最近又和我将强化学习是个很火的东西，花皮的deep learning买回来这么久也还没有正式看，还有一直心心念念的slam十四讲。我又不喜欢熬夜，每天还要定打不饶...
[小样本图像分割]Part-aware Prototype Network for Few-shot Semantic Segmentation
qq_38932073的博客
04-08 2113
面向Few-Shot语义分割的部分感知原型网络（ECCV2020） 论文地址 开源代码 摘要 现有的方法大多集中在one-way Few-Shot分割的限制性设置上，或者存在目标区域不完全覆盖的问题。本文提出了一种基于原型表示的Few-Shot语义分割框架。我们的关键思想是将整体的类表示分解为一组部分感知原型，能够捕获多样化和细粒度的对象特征。此外，我们提出利用未标记的数据来丰富我们的部分感知原型，从而更好地建模语义对象的类内变量。我们开发了一个新的图神经网络模型，以生成和增强提出的基于标记和未标记图像的部
Progressive Learning for Person Re-Identification with One Example[reading notes]
Joselynzhao
04-18 1899
# 导言 > 这篇文章是Yu Wu在继[Exploit the Unknown Gradually: One-Shot Video-Based Person Re-Identification by Stepwise Learning(EUG)](https://blog.youkuaiyun.com/NGUever15/article/details/88930864)之后发表的一篇文章，文中工作基于EUG进行，对其进行进行了优化。建议阅读本文之前先阅读EUG对工作内容有初步了解，本博文也针对Progressive
3D Object Detection From Point Cloud with Part-Aware And Part-Aggregation Network
dydwl的博客
01-05 2061
说明： 3D目标检测道路上的一个初学者，希望记录下学习的每一个过程，文章仅是自己对学习内容的总结。 获取原文链接 摘要 本文将之前的工作--PointRCNN扩展到一个新颖而强大的基于点云的3D目标检测框架部分感知（part-aware）和聚合（aggregation）神经网络（Part-A2 Net）。 整个框架由部件感知和部件聚合阶段组成。 首先，部件感知阶段首次利用源自3D地面实况盒子的免费部件监督，以同时预测高质量的3D提案和准确的物体内部件位置。同一提案中预测的目标内部件的位置由我们新设计的RoI
PARE: Part Attention Regressor for 3D Human Body Estimation ECCV2012 阅读理解
春秋战车
11-08 1908
ICCV2021德国马普所出品，侧重遮挡分析，本文介绍了一种用于遮挡敏感性分析的可视化技术。 1强调对于采用采用直接回归的方法时，如何有效解决遮挡问题。 1 读后感： 1 HRNet-W32比Renet50强 2数据集：hm36 + eft + mpi足以 3对于多人数据集coco，取根节点最近的即可。有利于解决遮挡问题 4采用分类网络进行初始化，收敛慢。先完成2d估计任务，然后进行3d。好像romp也是这么干的。 5mask标签怎么获得问题 6当某一个...
Occlude Them All: Occlusion-Aware Attention Network for Occluded Person Re-ID 论文纪录
qq_45991865的博客
09-30 1657
对于遮挡reid，现有的方法通常使用辅助模型来获取被遮挡的身体部位的信息以辅助学习过程，例如通过人体解析捕获身体部位特征，利用身体掩码分离遮挡，通过估计人的关键点来定位人的区域，然而，此类辅助模型是在不同域上进行预训练的，使得学习过程存在严重的域差距和数据偏差问题。
【论文阅读】Batch DropBlock Network for Person Re-identification and Beyond
weixin_43169773的博客
09-02 285
论文地址 论文代码 论文翻译以及介绍 别的博客 关注人体的局部信息 框架：全局和局部的特征结合在一起 全局特征：提供了全局特征表示，对特征擦除分支进行监督 局部特征：特征擦除，GMP获得2048维向量-1024维 （drop 的区域也可以渐进式的丢弃） 批处理DropBlock层将随机丢弃张量T的相同区域 ###### feature dropping branch 用 BatchDropBlock Layer 在 feature map T 执行，得到 batch erased feature map
AAAI顶会行人重识别算法详解——Relation Network for Person Re-identification
qq_52053775的博客
03-05 2546
以往行人重识别相关工作表明，利用描述身体部位的局部特征，以及一个人的图像本身的全局特征，可以提供健壮的特征表示，即使是在缺失的身体部位的情况下。
Attention-Aware Compositional Network for Person Re-identification论文精读
luuuyi的博客
08-11 5115
Attention-Aware Compositional Network for Person Re-identification 论文地址 Abstract 现在行人重识别（Person ReID）越来越火，一个比较大的挑战是首先跨摄像头目标重识别，其次是每一个行人patch中背景复杂、人体姿态不一和遮挡等情况增加了特征提取并学习的难度。目前有很多工作已经开始引入了额外的监督信息比如...
Interior Attention-Aware Network for Infrared Small Target Detectio
最新发布
12-27
### Interior Attention-Aware Network for Infrared Small Target Detection In the field of computer vision and image processing, infrared small target detection poses significant challenges due to low contrast between targets and background as well as complex backgrounds. The interior attention-aware network (IAAN) is designed specifically to address these issues by focusing on enhancing feature extraction capabilities. The IAAN incorporates an innovative internal spatial-temporal attention mechanism that allows selective emphasis on informative regions within images while suppressing irrelevant areas[^1]. This approach effectively improves the signal-to-noise ratio during preprocessing stages before feeding data into subsequent convolutional layers. By doing so, this method can better capture subtle changes associated with smaller objects even under adverse conditions such as noise or occlusion. Moreover, through multi-scale context aggregation modules integrated throughout its architecture, IAAN manages not only local but also global contextual information simultaneously. Such design choices contribute significantly towards achieving higher accuracy rates when identifying faint signals embedded against cluttered backdrops typical found in real-world scenarios involving thermal imagery analysis applications like military surveillance systems or autonomous vehicle navigation tasks where reliable object recognition plays a crucial role. For implementation purposes, here's how one might define part of the model using PyTorch: ```python import torch.nn as nn class SpatialAttention(nn.Module): def __init__(self, kernel_size=7): super(SpatialAttention, self).__init__() assert kernel_size in (3, 7), 'kernel size must be 3 or 7' padding = 3 if kernel_size == 7 else 1 self.conv1 = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = torch.mean(x, dim=1, keepdim=True) max_out, _ = torch.max(x, dim=1, keepdim=True) scale = torch.cat([avg_out, max_out], dim=1) scale = self.conv1(scale) return x * self.sigmoid(scale) # Example usage integrating spatial attention module inside CNN backbone. backbone = ... # Define your base ConvNet structure here attention_module = SpatialAttention() output_features = attention_module(backbone(input_image)) ```
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

二苏旧局吖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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