BriefGPT - AI 论文速递
·
短期与长期人脸重识别的解耦表示
内容提要
本文介绍了多种针对人员再识别（ReID）问题的深度学习方法，包括人体部分对齐、生成对抗网络（GAN）和自监督对比学习等。这些方法有效应对姿态变化和服装干扰等挑战，并在多个数据集上表现优异。
关键要点
-
提出了一种利用人体部分对齐表示的方法，以应对身体部位不对齐问题。
-
通过深度神经网络学习三元组损失函数，能够更好地应对姿态变化和不同空间分布情况。
-
提供了MSMT17数据集以解决真实场景中的人物再识别挑战。
-
介绍了PTGAN方法，缩小数据集之间的领域差距，提高ReID性能。
-
提出了一种基于生成对抗网络的深度人图像生成模型，消除视角变化的影响。
-
提出了一种基于对抗学习的二进制编码框架（ABC），在人物重识别任务中表现优异。
-
基于Feature Distilling GAN的方法学习不受姿态影响的身份相关特征，取得最佳性能。
-
提出IS-GAN，通过身份标签分离身份相关特征和非相关特征，显著提升ReID效果。
-
提出人物再识别关系网络，考虑身体部位之间的相互关系，提高特征辨别能力。
-
针对服装改变干扰问题，提出Color Agnostic Shape Extraction Network (CASE-Net)，生成与服装颜色无关的身体形状特征。
-
研究基于自监督对比学习的无监督人员再识别问题，结合生成对抗网络和对比学习模块，取得更好效果。
-
利用生成对抗网络进行对比学习的非监督式表示学习方法在行人重识别中取得最新最优表现。
延伸问答
什么是人员再识别（ReID）问题？
人员再识别（ReID）问题是指在不同场景中识别同一人物的任务，通常面临姿态变化和服装干扰等挑战。
如何通过深度学习方法解决身体部位不对齐问题？
可以利用人体部分对齐表示的方法，通过深度神经网络学习三元组损失函数来解决身体部位不对齐问题。
PTGAN方法在人员再识别中有什么作用？
PTGAN方法用于缩小数据集之间的领域差距，从而提高人员再识别的性能表现。
Color Agnostic Shape Extraction Network (CASE-Net) 是什么？
CASE-Net是一种基于身体形状特征表征的模型，旨在生成与服装颜色和纹理无关的身体形状特征，以应对服装改变的干扰。
自监督对比学习在人员再识别中如何应用？
自监督对比学习结合生成对抗网络和对比学习模块，通过视角生成器和视角不变损失来提升无监督人员再识别的效果。
哪些方法可以提高ReID的特征辨别能力？
可以通过人物再识别关系网络和基于对抗学习的二进制编码框架等方法来提高ReID的特征辨别能力。
