橙同学的学习笔记

摘要： Introduction 本文设计了Frame-Guided Region-Aligned model（FGRA）。模型结构包含两个分支：全局分支和局部分支。全局分支用来提取全局的特征，局部分支再细分为区域对齐机制和特征聚合策略。FGRA可以对视频的每一帧的区域进行对齐，在遇到类似下图的姿态、尺寸失 阅读全文

摘要： Introduction 为了提取两个特征之间的相关性，设计了Relation Module（RM）来计算相关性向量； 为了减小背景干扰，关注局部的信息区域，采用了Relation-Guided Spatial Attention Module（RGSA），由特征和相关性向量来决定关注的区域； 为提 阅读全文

摘要： Introduction （1）Motivation： 相比于全局reid，局部reid存在以下问题： ① 全局reid的空间不对齐主要源于视角姿态变化，但局部reid即时视角姿态相同，依然存在空间不对齐的现象； ② 在局部reid中，不共享的部位将成为噪声，影响模型判断。 （2）Motivatio 阅读全文

摘要： Introduction 影响reid效果的众多因素包括：视角、姿态、遮挡、背景等。当前主要研究方向在于寻找更好的识别算法，但对于这些因素如何影响识别效果还没有足够的认知。本文主要关注的是视角如何影响识别效果。 本文的两大贡献： ① 设计了一个大尺度数据生成引擎PersonX，用户设计多样的行人数； 阅读全文

摘要： Introduction （1）Motivation： 当前提出的GAN方法存在生成器和reid判别模型分离，reid模块直接用生成的图像进行训练，效果受到局限。 （2）Contribution： 作者提出了一个联合判别、生成学习的网络：DG-Net。该策略引入了生成模块，将每个行人图像编码到两个空 阅读全文

摘要： Introduction 当前的part-based reid方法分为如下三类： ① 采用人体部件位置的先验知识或者姿态估计来定位部件区域（如把图片按若干个水平区域划分）； ② 通过部件定位方法来识别部件； ③ 采用注意力机制来关注部件区域。 作者提出了一个全局、局部不同粒度特征联合学习策略，即 M 阅读全文

摘要： Introduction （1）Motivation: 当前提出的基于人体部件划分的ReID方法主要有两类： ① 第一类是基于人体姿态估计的方法，这类方法的性能受限于姿态估计和ReID数据集的偏差，难以得到较好的语义分割； ② 第二类不使用语义分割，不对部件进行定位。 如下图所示： （2）Contr 阅读全文

摘要： 参考旷视研究院推文【传送门】 Introduction （1）Motivation： 遮挡行人重识别（Occluded Person ReID）更具有挑战性： ① 受到遮挡的影响，图像的判别信息更少，更容易匹配到错误的行人； ② 基于身体部位之间的特征信息做匹配虽然有效，但在被遮挡的情况下难以进行严 阅读全文

摘要： Introduction （1）Motivation： 解决跨模态reid的方法主要有两类：模态共享特征学习（modality-shared feature learning）、模态特定特征补偿（modality-specific feature compensation）。模态共享特征学习旨在将不 阅读全文

摘要： Introduction （1）Motivation： 当前很少的ReID工作关注到了跨模态的匹配（cross-modality）。作者的工作集中在RGB图像和IR图像的匹配上，如下图示例： （2）Contribution： ① 设计了跨模态生成对抗网络cmGAN，也是首次采用GAN来解决跨模态Re 阅读全文