May, 2023

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

PDF
TL;DR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。
unsupervised learningperson re-identificationcross-modalitydual optimal transport label assignmentlabel refinement
发现论文，激发创造
  • 探索同质和异质的一致标签关联方法用于无监督的可见光 - 红外人物重识别

    我们提出了一种新的无监督可见 - 红外人物识别方法，通过引入 Modality-Unified Label Transfer (MULT) 模块和 Online Cross-memory Label Refinement (OCLR) 模块，实现了高质量的跨模态标签关联，并在实验证明我们的方法优于现有的 USL-VI-ReID 方法。

    Feb, 2024

  • 无监督可见 - 红外再识别：基于伪标签修正和模态层面对齐

    无监督可见红外人员重新识别 (UVI-ReID) 是研究的重点，文章提出了一种新的无监督跨模态人员重新识别框架 (PRAISE)，通过修正伪标签和模态层对齐策略来提高性能，并在两个基准数据集上取得了最新的成果。

    Apr, 2024

  • 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

  • 无监督可见光 - 红外人物再识别的多记忆匹配

    提出了一种用于可见 - 红外无监督人物再识别的多内存匹配框架，通过生成伪标签和建立不依赖于任何先前注释的多模态伪标签对应关系来解决该任务中的关键挑战。通过使用交叉模态聚类、多内存学习和匹配以及软聚类级对齐策略来改进现有方法的不足，提高了跨模态对应关系的可靠性和效果。

    Jan, 2024

  • 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

  • 基于邻居关系的鲁棒伪标签学习方法用于无监督可见 - 红外人物再识别

    无监督可见 - 红外人物重识别 (USVI-ReID) 中的伪标签校准与邻近关系学习方法 (RPNR) 能够有效改进模型鲁棒性和提高准确度。

    May, 2024

  • 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

  • VI-Diff：单模态标记的可见 - 红外人员再识别的非配对可见 - 红外转换扩散模型

    提出了 VI-Diff，一种有效解决可见 - 红外人物图像翻译任务的扩散模型。通过综合实验证明，VI-Diff 优于现有的扩散和生成对抗网络模型，为具有单模态标记数据的 VI-ReID 任务提供了有希望的解决方案。

    Oct, 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

  • 多原型逐步对比学习的无监督可见 - 红外人员再识别

    我们提出了一种渐进式对比学习多原型（PCLMP）方法，用于无监督的可见 - 红外人员再识别（USVI-ReID），通过引入硬原型、动态原型和渐进学习策略，该方法在多个数据集上验证了其有效性，超过了现有的最先进方法，并提供源代码。

    Feb, 2024