qq_41876456的博客

Multispectral Pedestrian Detection: Benchmark Dataset and Baseline 的图还挺相关的GOT-10k: A Large High-Diversity Benchmark forGeneric Object Tracking in the Wild绝了，这工作量惊人Objectron: A Large Scale Dataset of Object-Centric Videos in the Wild wit...

摘要由于不同摄像机之间存在显著的类内差异，车辆重新识别（re-id）仍然具有挑战性。由于不同摄像机之间存在显著的类内差异。在本文中，我们提出了我们对2019年AICity车辆重新识别挑战的解决方案。有限的训练数据促使我们利用网络上的免费数据并部署了两阶段的学习策略。大规模数据集的成功，即ImageNet，激发了我们建立一个大规模的车辆数据集，称为VehicleNet，基于公共网络数据。我们将所提供的训练集与其他公共车辆数据集，即VeRi-776、CompCar和VehicleID结合起来作为Veh.

摘要本文介绍了我们为 “2020年人工智能城市挑战赛”（AICITY20）的Track2解决方案。城市挑战2020（AICITY20）的解决方案。介绍比赛Track2是一个车辆识别（ReID）任务，包括真实世界的数据和合成数据。介绍数据集我们的解决方案是基于一个强大的基线与BoT-BS提出的行人重识别。方法总括首先，我们提出了一个多领域的学习方法，以联合真实世界和合成数据来训练模型。创新1：训练阶段联合然后，我们提出了身份挖掘方法，为部分测试数据自动生成伪标签，这比k-means聚类法要好。创新.

摘要我们介绍了一个全面的公共数据集，NightOwls，用于夜间行人检测。与白天条件相比，夜间的行人检测更具挑战性，因为夜间的光照变化和低、反射、模糊和对比度变化。 推出该数据集的意义nighttowls包含了27万9千帧，40个序列，由一个行业标准的相机在3个国家的夜间记录，包括不同的季节和天气条件。所有的帧都是完全注释的，并包含额外的对象属性，如遮挡、姿态和难度，以及跟踪信息，以在多个帧中识别相同的对象。包含了大量用于评估检测器鲁棒性的背景帧，一个用于局部超参数调优的验证集，以及一个用于在提交服..

摘要在本文中，我们介绍了一个基于图像的行人重识别数据集，该数据集收集了爱尔兰都柏林大型繁忙机场的五个非重叠摄像头视图。与所有公开的基于图像的数据集不同，我们的数据集除了包含帧号、相机和个人id外，还包含时间戳信息。此外，我们的数据集已经完全匿名，以符合现代数据隐私法规。 该数据集的最大的不同就是包含着时间戳的信息我们将最先进的行人重识别模型应用于我们的数据集，并表明通过利用可用的时间戳信息，我们能够在mAP上获得37.43%的显著增益，在Rank1上获得30.22%的增益。我们还提出了一个贝叶斯时间..

机器之心详解摘要城市交通优化使用交通摄像头作为传感器，推动了先进的多目标多摄像头(MTMC)跟踪的需求。背景这项工作引入了CityFlow，这是一个城市规模的交通摄像头数据集，包含超过3小时的同步高清视频，来自10个路口的40个摄像头，同时两个摄像头之间的最长距离为2.5公里。据我们所知，CityFlow是城市环境中最大的空间覆盖和摄像头/视频数量的数据集。该数据集包含超过200K的带注释的边界框，涵盖了广泛的场景、视角、车辆模型和城市交通流状况。摄像机的几何形状和校准信息被提供来辅助时空分析。此.

摘要本文旨在突出以汽车为中心的视觉相关任务，这是视觉界相对于其他对象而言很大程度上忽略的。我们表明，仍有许多有趣的汽车相关问题和应用，尚未充分探索和研究。研究的重要性：这个方向没有挖掘充分为了促进未来与汽车相关的研究，在本文中，我们展示了我们正在努力收集一个大规模的数据集CompCars，它不仅包括不同的汽车视图，还包括它们不同的内部和外部部件，以及丰富的属性。重要的是，该数据集具有跨模态性质包含一个监视自然集和一个web自然集。该数据集的特点：大规模，跨模态我们进一步展示了利用数据集的几个重要应..

摘要在这项工作中，我们构建了一个大规模的车辆重识别数据集(ReID)，其中包含13k张由无人机相机捕获的车辆实例的图像。开门见山，提出了一个数据集\color{red}开门见山，提出了一个数据集开门见山，提出了一个数据集据我们所知，它是最大的基于无人机的车辆ReID数据集。为了增加级内变化，每个车辆被至少两架无人机在不同的位置捕获，具有不同的视角和飞行高度。我们手工标注各种车辆属性，包括车型、颜色、天窗、保险杠、备胎、行李架等。此外，对于每一辆车的图像，还需要标注有区别的部分，以帮助他们区分这一特定..

摘要数据集实验我的思考

摘要在行人重识别(Re-Id)日益受到关注的同时，车辆作为城市视频监控中重要的对象类别，却常常被视觉界所忽视。引出问题现有的车辆重识别方法大多只关注车辆的一般外观，而忽略了车辆的某些独特身份(如车牌)，因此识别效果有限。本文提出了一种新的基于深度学习的渐进式车辆再识别方法PROVID。我们的方法将车辆的Re-Id视为两个特定的渐进式搜索过程:特征空间中的粗到细搜索和现实世界监控环境中的近到远搜索。首先利用车辆的外观属性进行粗过滤，然后利用Siamese神经网络进行车牌验证，准确识别车辆。近距离搜索过..

在公共安全领域，监控摄像头的使用日益激增，突显出从大规模图像或视频数据库中搜索车辆的重要性。然而，与行人重识别或人脸识别相比，车辆搜索问题长期以来一直被视觉界研究者所忽视。本文重点研究一个有趣但具有挑战性的问题，车辆再识别(即精确的车辆搜索)。

摘要在非均匀光照环境下获取的弱光图像通常会随着场景深度和环境光的不同而退化。这种退化导致退化图像模式下的目标信息严重丢失，由于低对比度和人工光的影响，使得显著目标检测变得更加困难。然而，现有的显著目标检测模型是基于图像是在足够亮度的环境下捕获的假设，这在现实场景中是不现实的。在这项工作中，我们提出了一种图像增强方法，以促进显著目标检测在弱光图像。在定量评价方面，我们构建了一个具有像素级具有groundtruth的低光图像数据集，并在四个公共数据集和我们的基准数据集上实现了令人满意的结果。贡献点1..

摘要夜间行人检测是监视中的一个关键和前沿问题，但计算机视觉和人工智能领域还没有很好地探索。现有的大多数方法都是在良好的光照条件下(如白天)检测行人，并取得了很好的效果。相反，它们往往在不稳定的照明条件下(如夜间)失效。夜间是犯罪嫌疑人在安全领域采取行动的关键时刻。现有的夜间行人检测数据集由专门为自动驾驶场景设计的汽车摄像头捕捉。夜间监视场景的数据集仍然是空的。自动驾驶和监控之间存在巨大的差异，包括视角和照明。作为夜间行人检测的基准数据集，我们比较了目前最先进的行人检测器的性能，结果表明，这些方法并不能..

摘要监控摄像头之间的光照变化剧烈，使行人重识别的问题极具挑战性。目前大规模的行人重识别数据集训练对象较多，但光照条件缺乏多样性。因此，经过训练的模型需要微调才能在看不见的光照条件下变得有效。为了缓解这个问题，我们引入了一个新的合成数据集，它包含数百种光照条件。具体地说，我们使用了100个虚拟人与多个HDR环境地图，准确地模拟逼真的室内和室外照明。为了在不可见的光照条件下获得更好的精度，我们提出了一种新的领域自适应技术，该技术利用我们的合成数据，以完全无监督的方式进行微调贡献点1.提出了一个新数据集，.

12

摘要现有的生成对抗网络可以从低分辨率的人脸生成高分辨的人脸，但是不能对高分辨率的人脸做一个识别。为了解决这个问题，作者提出了SIGAN：第一能够从低分辨的人脸中生成高分辨的人脸，第二是修复后的人脸能做身份识别。主要贡献：1.提出的SIGAN能够生成高分辨率的人脸和身份标识信息2.weak binary成对标签的提出：成对的人脸是属于同一个人还是不属于同一个人，用于身份标签信息识别。不需要全部标注信息，减少了工作量，主要是在constractive loss上发挥作用。方法1.GAN：两个生成.

问题提出：基于深度学习的图像增强方法在图像恢复和增强方面取得了显著的成功，但它们需要成对数据训练。但目前使用成对数据训练存在的问题：1)同时捕捉同一视觉场景的损坏图像和ground truth图像是非常困难的 。例如，同时捕捉低光和正常光图像对；2）从干净的图像中合成损坏的图像有时会有帮助，但这样的合成结果通常不够逼真，导致在将训练好的模型应用于真实世界的低光图像时产生各种伪影；3）对于低光增强问题，在低光图像中可能没有独特的或明确定义的高光ground truth。例如，任何从黎明到黄昏拍摄的.

摘要由于照明弱等原因，监控摄像头拍摄的人物图像通常会出现颜色变化、对比度低和噪声等各种退化现象。这些退化会导致严重的鉴别信息丢失，从而使人的重识别更具挑战性。然而，现有的人员重识别方法是基于行人图像处于良好光照条件下的假设而设计的，这在现实场景中是不现实的。受Retinex理论的启发，我们提出了一个光照不变的行人重识别框架，该框架能够同时实现Retinex光照分解和行人重识别。我们首先验证了直接使用低光照图像可以极大地降低行人重识别的性能。然后，我们设计了一个自底向上的注意网络来消除微弱的光照的影响，在不