ECCVJul, 2020

可见光 - 红外人员再识别的动态双关注聚合学习

PDF
TL;DR本文提出了动态双重注意聚合（DDAG）学习方法，通过挖掘 VI-ReID 中的模态内部部分级别和跨模态图级别的上下文线索，提取具有较强辨别力和噪声鲁棒性的聚合特征，从而提高了检索精度。
visible-infrared person re-identificationcross-modality retrievaldynamic dual-attentive aggregationintra-modality weighted-part attentioncross-modality graph structured attention
发现论文，激发创造
  • 动态身份引导注意力网络用于可见 - 红外人物再识别

    多模态人物识别中的动态身份引导注意力网络（DIAN）旨在通过挖掘身份引导和模态一致的嵌入来解决交叉模态差异的问题。实验结果表明，DIAN 在 SYSU-MM01 和 RegDB 数据集上取得了最先进的性能。

    May, 2024

  • 面向可见光红外人员再识别的同质化模态学习和多粒度信息探索

    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

  • 通过对齐学习：利用跨模态对应关系进行可见光 - 红外人员再识别

    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

  • 可见 - 红外人物再识别的隐性判别知识学习

    可见光红外人物再识别是一项具有挑战性的跨模态行人检索任务，该研究提出了一种新颖的隐式判别知识学习网络 (IDKL)，通过提取模态特定和模态共享特征，减少模态风格差异并提升识别知识，实现了对隐含判别信息的利用，进一步强化模态共享特征的独特性，以最小化模态差异。与现有方法相比，实验结果表明 IDKL 网络具有优越性能。

    Mar, 2024

  • 基于邻居引导标签优化的协同学习无监督可见 - 红外人员再识别

    本文介绍了一种多模态学习方法，称为 Dual Optimal Transport Label Assignment（DOTLA）框架，用于学习无标签跨模态数据集中的多模态特征。同时，本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块，以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。

    May, 2023

  • YYDS：粗略描述的可见光红外人员再识别

    通过引入 YYDS 结构来解决可见光 - 红外人员重新识别的问题，同时使用粗糙语言描述信息进行目标可见图像匹配，以补充缺失的颜色信息，并使用 CMKR 算法进行近邻模态偏差问题的改善。

    Mar, 2024

  • 多层次跨模态联合对齐：可见 - 红外人员再识别

    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

  • 基于视频的可见光红外人员再识别与辅助样本

    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

  • 基于双高斯分布的变分子空间解缠算法在可见光 - 红外人员再识别中的应用

    本文提出了一种双高斯变分自编码器来解决可见光与红外线人物再识别中的跨模态差异问题，并通过鸳鸯捆绑降低后验崩溃并提高检索性能。

    Aug, 2020

  • 可见光与红外人员再识别的模态统一网络

    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