异质人员再识别综述:超越单一模态
本论文提出了一种四流框架,通过深度卷积神经网络中不同的输入图像表示来学习不同的特征,从而改善可见光 - 红外人员重识别系统的性能。实验结果表明,该框架在多个数据集上优于当前最先进的方法。
Jul, 2019
本研究主要研究基于视频的跨模态人员重新识别方法。通过构建一个视频 RGB-IR 数据集,证明了在 RGB-IR 人员重新识别中,视频到视频的匹配非常重要。此外,还提出了一种新的方法,该方法不仅将两种模态投射到模态不变的子空间中,还提取了时间内存以实现运动不变性。
Aug, 2022
通过互信息和模态一致性网络,提取具有代表性信息的模态不变身份特征,减少冗余,消除模态差异,并对关键部分进行全局 - 局部特征提取,以实现可见 - 红外人物重识别任务。
Aug, 2023
本文提出一种基于 Aligned Grayscale Modality (AGM) 的跨模态人员重识别方法,通过生成灰度可见光图像和风格迁移转换红外图像得到一致的数据,再结合多颗粒度特征提取网络在特征级别进行对齐,能够显著提高跨模态检索表现。
Apr, 2022
本研究提出了一种可匹配可见光和红外相机捕捉的人物的可视红外人物再识别方法(VI-ReID),旨在实现 24 小时监控系统中的人物检索和跟踪。通过构建大规模 VI-ReID 数据集 BUPTCampus,本研究为该领域的进一步研究提供了基础,并通过应用生成对抗网络(GAN)和课程学习等方法,取得了显著优越的实验结果。
Nov, 2023
本研究提出了一种新颖的特征学习框架,通过利用密集对应的交叉模态人物图像,像素级地抑制与模态相关的特征,从而更有效地促进交叉模态本地特征的判别式特征学习,从而解决了可见 - 红外人物重识别的问题。
Aug, 2021
通过引入一个新的模态统一网络(MUN),本研究针对可见光 - 红外人员重识别(VI-ReID)中的大量跨模态差异和类内变异问题,通过动态建模模态特定和模态共享表示来提取判别特征表达,从而使所提出的方法在多个公共数据集上明显超过当前最先进的方法。
Sep, 2023
本篇论文提出了一种基于 Hierarchical Cross-Modality Disentanglement 的方法,该方法使用 ID-discriminative factors 用于跨模式匹配,并使用 ID-preserving person image generation network 和 hierarchical feature learning module 生成一个新的跨模态图像来学习可见 - 红外图像的共同 ID 判别特征。
Dec, 2019
本文提出了 Patch-Mixed Cross-Modality framework (PMCM) 框架,该框架通过图片分割并拼接,实现了不同模态下人员识别过程中的语义对应,同时在视觉可见光和红外人员重识别任务中取得了最佳表现。
Feb, 2023