Aug, 2020

可见光热像人物再识别中的参数共享探索和基于异质中心的三元组损失

PDF
TL;DR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。
发现论文，激发创造
  • 增强可见 - 热交叉模态人员再识别的判别特征学习

    本研究提出了增强可辨别特征学习（EDFL）方法来解决跨模态缺陷和内模态差异问题，同时采用双流卷积神经网络结构以学习多模态共享人物特征，获得了比现有技术明显更好的性能表现，实现了可视 - 热成像人物再识别。

    Jul, 2019

  • 可见光 - 红外跨模态人员再识别的高效框架

    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

  • 异质中心损失用于跨模态人员再识别

    本文提出了一种新的损失函数，叫做 Hetero-Center loss（HC loss），用于减少跨模态内类别的差异，并提出了一种简单高效的网络架构，用于学习跨模态人员重新识别的本地特征表示，得到了比现有方法更好的结果。

    Oct, 2019

  • 超越三元组损失函数：人员再识别的深度四元组网络

    本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别，相对于三元组损失，该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现，并在多个代表性数据集上超过了大部分最先进算法，证明该方法的有效性。

    Apr, 2017

  • 超越三元损失函数：用于人员再识别的元原型 N 元损失函数

    本文提出了一种多类别分类损失函数（N 元损失），旨在联合考虑多个实例进行查询优化，以实现更好的 Person Re-identification 测试 / 推理过程和更高的性能。

    Jun, 2020

  • 学习用于异质人物再识别的跨模态信息瓶颈表示

    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

  • 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

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 人物重识别中三元组损失的防御

    该研究探讨了计算机视觉中人物重新识别子领域中三元组损失函数的表现，与其他损失函数相比，它能够更好地进行端到端的深度度量学习。

    Mar, 2017

  • 学习渐进式多模态共享的转换器以实现有效的可见 - 红外人员重识别

    本文提出了一种名为 PMT 的深度学习框架，它采用渐进式共享模态转换器来解决 VI-ReID 任务中复杂的模态变化问题，并对模态共享特征进行可靠度和共性分析；同时提出了一种 Discriminative Center Loss (DCL)，结合 Modality-Shared Enhancement Loss (MSEL) 来缓解大内部差异和小类间差异问题，从而更好地区分共享特征，该框架在 SYSU-MM01 和 RegDB 数据集上的表现优于现有的大多数最新状态 - of-the-art 方法。

    Dec, 2022