Jun, 2021

G2DA: 基于几何引导的双重对齐学习用于 RGB - 红外人员再识别

PDF
TL;DR提出了一种基于图匹配和最优传输计算的 RGB-IR ReID 模型，能够通过构建多尺度人体骨架图、匹配任务和信息融合等机制，确保跨模态图像的整体一致性、局部结构关联和语义特征的区分性。
rgb-infrared person re-identificationmodality alignmentgraph matchingoptimal transportmessage fusion attention
发现论文，激发创造
  • 基于联合像素和特征对齐的 RGB - 红外交叉模态人员再识别

    本文提出了一种新颖的端到端对齐生成对抗网络 (AlignGAN)，以联合像素和特征对齐减轻 RGB-IR RE-ID 任务中的跨模态和内模态差异，并学习一致身份特征，在 SYSU-MM01 数据集上取得了优于当前最先进方法的结果。

    Oct, 2019

  • 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

  • RGB - 红外人员再识别中的跨模态配对图像生成

    本研究提出了一种新方法，通过生成跨模态的配对图像并进行全局和细粒度实例级别的对齐，使 RGB-IR Re-ID 的性能得到改善，实验证明该方法在两个标准基准测试中表现优于现有的最新技术。

    Feb, 2020

  • 基于教师 - 学生 GAN 模型的 RGB-IR 跨模态人员重识别

    利用基于 RGB-IR 的深度学习模型，通过两个 Teacher-Student GAN 模块相互引导，成功实现了在无光照条件下的人物跨域识别。在 SYSU-MM01 RGB-IR Re-ID 基准测试中，取得了 49.8% 的顶级成绩和 47.4% 的平均精度。

    Jul, 2020

  • 可见光 - 红外人员再识别的动态双关注聚合学习

    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。

    Jul, 2020

  • 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

  • 细节之中的魔鬼：通过重新思考跨模态对齐和聚合来提升引导式深度超分辨率

    通过重新审视 GDSR 网络的一些关键组件并提出简单但有效的 Dynamic Dual Alignment and Aggregation 网络（D2A2），我们结合 RGB 和深度特征的优势，同时最小化 RGB 图像引入的干扰，通过对模态不匹配进行学习的领域对齐块和学习偏移来减轻模态不匹配的动态双重对齐模块，并通过使用门控机制和像素注意力来过滤 IR 纹理噪声并将有用的特征与深度特征结合起来的掩码到像素特征聚合模块，我们的方法在多个基准数据集上实现了最先进的性能。

    Jan, 2024

  • 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

  • 一种用于 RGB - 红外交叉模态人员再识别的相似度推断度量

    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

  • 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