本文介绍我们最新的工作《Progressive Local Filter Pruning for Image Retrieval Acceleration》，采用剪枝方法解决深度网络图像检索的加速问题。
如下图，给定一个行人图或行人视频作为查询query，在大规模底库中找出与其最相近的同一ID的行人图或行人视频。
近期，中山大学发布了一种基于可微图学习的弱监督行人重识别（person re-ID）方法和一个大型数据集。该方法结合可微图学习和弱监督学习方法，为行人重识别深度神经网络加入自动生成训练标签的模块并与其一体训练。相比普通的行人重识别方法，该方法不需要高昂的人工标注成本，并且几乎不增加计算复杂度也能达到领先的模型性能。
近年来，行人重识别（Person Re-Identification，简称ReID）在计算机视觉领域可谓火遍了“大江南北”。脱胎于行人重识别，行人搜索（Person Search）问题在2017年的CVPR会议上被首次提出。与ReID的单一识别任务不同，行人搜索结合了行人检测和ReID两个任务，因此也更贴近实际应用场景。本文主要介绍阿联酋起源人工智能研究院（IIAI）与牛津大学的科学家们刚刚被CVPR 2021接收的一篇论文：《Anchor-Free Person Search》。该工作开创性地提出了一个简洁有效的无需锚框（Anchor-Free）的行人搜索框架，其搜索精度全面超越以往基于二阶段检测器的框架，并且在保证性能的前提下达到了更快的运行速度。
行人重识别，又称行人再识别，是利用 CV 技术判断图像或视频序列中是否存在特定行人的技术。常规的行人重识别方法往往需要高昂的人工标注成本，计算复杂度也很大。在本文中，中山大学研究者提出的弱监督行人重识别方法恰恰克服了这两方面的障碍，并发布了一个大型行人重识别数据集。
为了帮助大家更好地理解当前基于深度学习的相关算法原理和实现细节，SIGAI邀请了目标检测领域的资深专家谭博士为你全面、系统地讲述通用目标检测一系列算法的原理以及编码实现中的细节与技巧，避免实现论文的算法时采坑。
来源：专知本文为课程介绍，建议阅读5分钟适合深度学习和行人重识别领域无基础的入门者学习。 该课程为浙江大学罗浩博士于2018年10月录制的《基于深度学习和行人重识别》网课视频，该课程首发于AI300学院。为了让更多人学习该课程，现免费在B站公开。由于该网课录制于2018年末，所以知识点已经有些陈旧，因此主要适合深度学习和行人重识别领域无基础的入门者学习，有基础者无需学习此课程。课程主要包括深度学习基础、行人重识别理论基础和行人重识别代码实践三个篇章。考虑到该课程免费开放以及作者工作较忙，所以日后很难有精力进
人脸识别在LFW超越人的识别能力之后，就很少有重大的突破了，逐渐转向视频中人脸识别或人脸属性学习等方向。CV顶级会议的接受论文量也出现了逐渐平稳的趋势。 而行人重识别（Person re-identification）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。 给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合 ，可广泛应用于智能视频监控、智能安保等领域。 行人重识
内容提要：行人重识别技术，广泛应用于智慧城市、自动驾驶等场景中，近年取得飞速发展。这也得益于训练数据规模的扩大、深度学习的发展。
最近，在网上搜索关于“行人重识别”及“行人再识别”等关键词，发现几乎都是关于行人检测的内容。对于“行人重（再）识别”技术能找到的资料很少，这可能是因为“行人重（再）识别”技术最近才刚刚兴起吧。 总之，除了能在谷歌学术中搜到一些Person re-identification的学术论文外，其他的资料明显没有行人检测的多。 概念解释 “行人重（再）识别”，首先从字面上将就是对“行人”进行“识别”。其中的“重（再）”则是指“重新”、“再一次”的意思。 “行人重（再）识别”技术主要是应用在视频监控方面。在刑侦工作中
行人重识别（reID）是一项极具挑战性的任务，该任务以在多个摄像头拍摄出来的图像中识别相同行人为目标。随着深度学习方法的广泛使用，reID 的性能借助不同的算法得到快速提高。在用深度神经网络学习表征的问题上大家做了各种尝试，但姿势变化、图像模糊以及目标遮挡等问题仍对学习判别式特征提出了巨大的挑战。解决这些问题有两类方法，对齐行人图像 [1] 或通过学习身体区域的特征整合行人的姿势信息 [2]。但这些工作在推断阶段也需要辅助的姿势信息，这样就限制了算法在没有姿势信息的情况下泛化新图像的能力。与此同时，由于对姿势估计的推断更复杂了，计算成本也随之增加。
基于深度学习的算法在图像和视频识别任务中取得了广泛的应用和突破性的进展。从图像分类问题到行人重识别问题，深度学习方法相比传统方法表现出极大的优势。与行人重识别问题紧密相关的是行人的多目标跟踪问题。
本文选自BMVC2018的论文《Deep Association Learning for Unsupervised Video Person Re-identification》，使用无监督学习解决行人重识别的问题，更加贴近行人重识别的应用场景，同时性能也大幅提升。
前几天英伟达开源了DG-Net的源码。让我们来回顾一下这篇CVPR19 Oral的论文。
近年来，行人重识别技术在业内得到了越来越多的关注，CVPR投稿中关于ReID的研究逐年增多。随着行人重识别技术的日渐成熟，其巨大的应用价值和市场潜力得到了越来越多的关注。
行人重识别(Person re-identification)也称行人再识别，被广泛认为是一个图像检索子问题，是利用计算机视觉技术判断图像或者视频中是否存在特定行人的技术，即给定一个监控行人图像检索跨设备下的该行人图像。行人重识别技术可以弥补目前固定摄像头的视觉极限，并可与行人检测、行人跟踪技术相结合，应用于视频监控、智能安防等领域。
本文为 2018 年 5 月 11 日在微软亚洲研究院进行的 CVPR 2018 中国论文宣讲研讨会中第三个 Session——「Person Re-Identification and Tracking」环节的四场论文报告。
原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不得转载，不能用于商业目的。
2020年的春，一场新冠病毒肺炎席卷全国。为响应抗疫号召，我们都乖乖在家“宅着”。而有一群人，虽不是一线抗疫人员，但为维护全社会的正常运转，他们也在日以继夜地努力开发出适用于当前生活、工作、学习等各场景的“智能工具”，助力全民更便捷、更高效地开展抗疫行动。
AI 科技评论按：本文首发于知乎行人重识别专栏，AI 科技评论获其作者郑哲东授权转载。 1.Motivation 近年来，对行人重识别（person re-ID）问题的研究也越来越多了。类比于自然语言处理（nlp）的话，大家或者集中于语义层面的设计（比如设计 loss，triplet loss，identi+verif loss），或者集中于语法层面上（利用人体的内在结构，比如水平切割，pose预测）。 这篇文章集中于语法层面上，也就是利用人体结构来增强识别能力。现阶段行人重识别的发展一部分是归因于大数
论文 1：MedMNIST Classification Decathlon: A Lightweight AutoML Benchmark for Medical Image Analysis
行人检测的论文不多，总计 5 篇，从内容看解决行人与行人、行人与物体间的遮挡是研究的重点。
行人搜索是图像搜索问题的第一个尝试。在此之前，虽然对人的检测和重识别做了大量的努力，但大多数都是独立处理这两个问题的。也就是说，传统方法将行人搜索任务划分为两个独立的子任务。
标题：《Relation-Aware Global Attention for Person Re-identification》
最近的研究表明，显式深度特征匹配以及大规模多样化的训练数据均可显著提升行人重识别的泛化能力。但是，在大规模数据上，学习深度匹配器的效率还未得到充分研究。 近日，特斯联科技集团首席科学家邵岭博士及团队提出了一种高效的小批量采样（mini-batch sampling）方法——图采样（Graph Sampling， GS），用于大规模深度度量学习，极大改善了可泛化行人重识别。目前，该研究成果（题为: Graph Sampling Based Deep Metric Learning for Generaliz
1.Motivation 近年来，对行人重识别（person re-ID）问题的研究也越来越多了。类比于自然语言处理（nlp）的话，大家或者集中于语义层面的设计（比如设计 loss，triplet loss，identi+verif loss），或者集中于语法层面上（利用人体的内在结构，比如水平切割，pose预测）。 这篇文章集中于语法层面上，也就是利用人体结构来增强识别能力。现阶段行人重识别的发展一部分是归因于大数据集和深度学习方法的出现。现有大数据集往往采用自动检测的方法，比如 DPM 来检测行人，把行
由于程序逻辑不严谨或逻辑太过复杂，导致一些逻辑分支不能正常处理或处理错误，统称为业务逻辑漏洞
摘要：行人重识别（Person Re-Identification，简称Re-ID），是一种利用计算机视觉技术来检索图像或者视频序列中是否存在特定行人的AI技术，在智慧城市等监控场景中具有重要的应用意义和前景。本文介绍我们最新的IEEE TPAMI综述论文 《Deep Learning for Person Re-identification: A Survey and Outlook》，该文作者来自武汉大学、起源人工智能研究院（IIAI）、北理工、英国萨里大学、Salesforce亚洲研究院。
本文主要是介绍自己做的一个工作：SphereReID: Deep Hypersphere Manifold Embedding for Person Re-Identication（https://arxiv.org/abs/1807.00537），用了 Softmax 的变种，在行人重识别上取得了非常好的效果，并且端到端训练，网络结构简单。在 Market-1501 数据集上达到 94.4% 的准确率（并且不需要 re-ranking 和 fine-tuning）。
中国图象图形学学会围绕「生物特征识别」这一主题，在中科院自动化所成功举办了第四期「CSIG 图像图形学科前沿讲习班」。
云煮鸡终于要和大家见面了 激动、紧张、更多的是兴奋 8月13日 19:00【腾讯云Lighthouse惊喜夜】 初次见面，带了些鹅厂特产送给各位鸡仔 蓝牙音响、腾讯公仔、限量按摩锤、限定笔记本······ 才华横溢的你们当然不满足于云煮鸡以上见面礼： Lighthouse全网最低价 Lighthouse无门槛代金券 甚至还有免单机会 统统送给各位鸡仔 老用户们的心声我们都有接收到呢~ 这次，我们带着全网最低价兑现承诺来了！ 本次直播间冰点价不限新老用户，一律同享！ 除此之外 云煮鸡还特意请来了 腾讯
本文作者为悉尼科技大学博士生武宇（Yu Wu），他根据 CVPR 2018 录用论文 Exploit the Unknown Gradually: One-Shot Video-Based Person Re-Identification by Stepwise Learning 为 AI 科技评论撰写了独家解读稿件。
关注腾讯云大学，了解行业最新技术动态 直播带货卖衣服——你常见 直播带货卖零食——你常买 直播带货卖轻量应用服务器——你体会过吗？ 直播预告 8月13日 19:00【腾讯云Lighthouse惊喜夜】 初次见面，带了些鹅厂特产送给大家 蓝牙音响、腾讯公仔、限量按摩锤、限定笔记本······ 才华横溢的你们当然不满足于以上见面礼： Lighthouse全网最低价 Lighthouse无门槛代金券 甚至还有免单机会，统统送给各位大家 老用户们的心声我们都有接收到呢~ 这次，我们带着全网最低价兑现承诺来了！
本文介绍一篇来自 ACMMM20 Oral 的论文，这篇论文主要通过构建一个 benchmark，并基于 benchmark 结果的深入分析，提出两个优化方法，提升现实场景下联邦学习在行人重识别上碰到的数据异构性问题。
顶会AAAI 2022的惨烈程度，各位投稿人一定心有体会，近万篇投稿只有15%的录取率，无数全positive的优秀工作被录取率卡掉。
【导读】目前，大多数行人重识别（ReID）方法主要是从收集的单个人图像数据库中检索感兴趣的人。在跨摄像头的监控应用中，除了单人ReID任务外，匹配一组行人（多个人）也起着重要的作用。这种组重识别（GReID）的任务非常具有挑战性，因为它不仅面临着单个人外观的变化，还有组的布局和成员身份变化也会带来更多困难。为了获得组图像的鲁棒表示，本文设计了一种域迁移图神经网络（DoT-GNN）方法。
论文名称：Rotation-invariant Mixed Graphical Model Network for 2D Hand Pose Estimation
对于这个问题，业界似乎早已有了共识。从 AI 的人脸识别能力超越人类以来，学术界和产业界的目光逐渐转向另一个更具科研意义和应用价值的课题——行人重识别（Person Re-identification，ReID）。
论文名称：Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval
今天跟大家分享一份ICCV 2019 上新出的关于注意力模型的工作Mixed High-Order Attention Network for Person Re-Identification，来自北京邮电大学的学者提出一种高阶注意力模型，并将其应用于行人重识别建模，显著改进了现有SOTA模型的精度。
行人重识别（Person ReID）在安全部署领域有着广泛应用，当前的研究仅考虑ReID模型在干净数据集上的性能，而忽略了ReID模型在各种图像损坏场景（雨天、雾天等）下的鲁棒性。
来了？鹅厂小编们等你很久了！咱们闲话少叙，今天，10位小编携手为你奉上10份超级大礼： 书籍、技术教程、鹅厂公仔、腾讯云代金券……每位朋友都可以免！费！参与抽奖！ 01 技术书籍 本次奖池涵盖数据分析、人工智能、编程等多个领域。一份技术人获益的典藏书单，强烈推荐，借助书籍希望大家能够由浅入深、循序渐进的学习新知，事半功倍，少走弯路。赠送书单明细请翻至文末查看哦~ 02 实战教程 鹅厂资深数据库专家录制的数据库实战视频课程，教你从青铜到王者学习数据库；小程序云开发教程，含源码，教你7天打造流量过亿的小程序，
AI 科技评论按：本文为浙江大学罗浩为 AI 科技评论撰写的独家稿件，得到了作者本人指点和审核，在此表示感谢。 前言：行人重识别（Person Re-identification）也称行人再识别，本文简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。 在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技
谈到人工智能，大众最耳熟能详的当属人脸识别技术，它已经渗透到了我们生活的方方面面。但在计算机视觉领域，另一项技术的重要性也不遑多让，那就是行人重识别（ReID）技术。
论文题目：Video-based Person Re-identification with Spatial and Temporal Memory Networks
行人重识别近几年获得了在测试结果上的大幅提升，甚至超过了人的分辨能力，但是我们在实际应用上仍有很多待解决的问题。在本文中，我们take a step back, 提出了一些问题和潜在的解决方案，主要以我们reler组的尝试为主，包括大家比较熟知的 PCB / HHL/ PUL/ SPGAN/ DG-Net等工作，抛砖引玉。 希望能为未来这个领域的发展提供一些新的视野。
由中国图象图形学学会和腾讯高校合作主办、中国图象图形学学会视觉大数据专委会承办的“ECCV 2018 China Pre-Conference论文宣讲研讨会”于7月30日在深圳腾讯大厦顺利举办。150余位来自学界、工业界的研究人员参与了本次研讨会。会议日程包含12篇论文口头报告，20篇论文海报展示，并邀请到多位业界专家开展题为“计算机视觉的今天与明天，城内与城外”的圆桌论坛，分享各自在计算机视觉领域的最新研究结果和相关技术观点。 论文口头报告-12篇 哈尔滨工业大学（深圳）张正博士带来题为“Highly-E
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
