ICCVJan, 2021

CM-NAS：可见光 - 红外人员再识别的跨模态神经架构搜索

PDF
TL;DR本研究通过系统研究手动设计的双流架构，发现适当地分离批量归一化层是实现跨模态匹配的关键，提出了基于批量归一化的交叉模态神经架构搜索（CM-NAS）方法，取得了比现有方法更好的性能。
visible-infrared person re-identificationvi-reidcross-modality pedestrian imagesbatch normalizationneural architecture search
发现论文，激发创造
  • 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 - 红外人物重新识别的补丁混合交叉模态学习

    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

  • 高效双向跨模态聚类匹配用于无监督可见 - 红外人员重识别

    该研究提出了一种针对不同模态的行人图像进行无监督匹配的学习框架，该框架主要包括基于双向聚类匹配的跨模态簇匹配算法、模态特定和模态不可知对比学习框架以及跨模态一致性约束，实验表明该方法明显优于现有方法。

    May, 2023

  • 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

  • MRCN：一种新型的可见光红外人物再识别模态补偿网络

    本文介绍了一种基于 Modality Restitution and Compensation 网络的可见光 - 红外人员再识别方法，使用两个 Instance Normalization 层来减小两种模态之间的差异，并提出了 Modality Restitution Module 和 Modality Compensation Module 来滤除干扰信息，提取每个模态的重要特征。通过采用 Center-Quadruplet Causal loss 方法进一步强化各个特征的区分度，最后在 SYSU-MM01 和 RegDB 数据集上展示了其优越性。

    Mar, 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

  • 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

  • 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

  • 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

  • 共享特定特征传递的跨模态人员重新识别

    本文提出了一种新的跨模态共享专用特征传输算法（cm-SSFT），通过模型共享特征和模型特定特征的转移，包括模态自适应、对抗学习和重构增强，学习每个模态的区分性和互补共享特征。综合实验结果表明，该算法显著优于现有算法， 在 SYSU-MM01 和 RegDB 数据集上分别提高了 22.5% 和 19.3% 的平均精度。

    Feb, 2020