异质中心损失用于跨模态人员再识别
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
本文提出了针对 VT Re-ID 任务的一种基于两流网络的可见 - 热交叉模态人员重新识别方法,探索了参数共享对该任务的影响,并通过提出异中心三元组损失函数进一步提升了识别效果。实验证明,该方法在两个数据集上的表现显著优于已有方法,成为 VT Re-ID 领域的新基准。
Aug, 2020
本文综述了异构人员再识别中解决跨模态不一致性挑战的最新方法,根据应用场景将这些方法分为四个类别,描述和比较现有的数据集和模型,并从两个角度总结和比较代表性的方法,最后讨论了未来的研究方向。
May, 2019
该研究提出了一种双通道跨模式特征学习框架,旨在保留内在空间结构并关注输入交叉模态图像对的差异,通过在一个共同的 3D 张量空间中嵌入交叉模式图像而不丢失空间结构以及通过动态比较输入图像对来提取对比特征等方式,在两个公共可用的 RGB-IR ReID 数据集上进行了广泛实验,并在全面和简化的评估模式下均优于现有的算法。
Oct, 2019
提出了一种名为多层交叉模态联合对齐(MCJA)的简单而有效的方法,它通过模态对齐增强和跨模态检索损失来缩小可见光和红外图像之间的差距,从而实现人员再识别任务的跨模态图像检索。
Jul, 2023
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
本文提出了一种新颖的多特征空间联合优化(MSO)网络,在单模态空间和公共空间中学习可共享特征,通过感知边缘特征(PEF)损失和交叉模态对比中心(CMCC)损失共同优化模型,显着提高了网络性能,在 cross-modality person re-identification 任务上优于现有的最先进方法。
Oct, 2021
该论文提出了一种新的特征学习框架 HPILN,它使用特别设计的 hard pentaplet 损失和身份损失来改善现有单模态重新识别模型以适应跨模态情景;该方法在 SYSU-MM01 数据集上的广泛实验显示,它在 CMC 曲线和 MAP 方面优于所有现有方法。
Jun, 2019
SIM 是一种新的相似度推理度量方法,它利用两个不同视角的内模态样本相似性来挖掘跨模态样本相似性,从而通过连续相似度图推理和互惠最近邻推理来解决 RGB - 红外交叉模态人员重新识别的问题。
Jul, 2020
本研究针对跨模态人物再识别(ReID)模型的安全性进行了首次探索,并提出了一种专门针对跨模态 ReID 的通用扰动攻击。该攻击利用不同模态数据的梯度优化扰动,从而破坏鉴别器并加强模态之间的差异,通过在 RegDB 和 SYSU 两个广泛使用的跨模态数据集上的实验证明了该方法的有效性,并为未来增强跨模态 ReID 系统的鲁棒性提供了见解。
Jan, 2024