May, 2023

针对部分多模态人员再识别的动态增强网络

PDF
TL;DR通过设计动态增强网络（DENet），可以在缺失任意模态的情况下，仍然保持多种方式的表示能力，用于部分多模态人员重新识别，并在 RGBNT201 数据集上进行广泛实验。
发现论文，激发创造
  • 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

  • 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

  • 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 - 红外人员再识别的多样性嵌入扩展网络和低光交叉模态基准

    本文提出了一种多样化嵌入扩展网络来解决可见光与红外图像之间的模态差距，同时也提供了一个低光交叉模态数据集，证明所提出的方法在 SYSU-MM01、RegDB 和 LLCM 数据集上优于其他现有的最先进的方法。

    Mar, 2023

  • 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

  • 基于模态自适应 Mixup 和不变分解的 RGB+IR 人员再识别方法

    本文提出了一种新的模态自适应 Mixup 和不变分解方法（MID），以学习模态不变和具有鉴别力的表征，以应对 RGB - 红外人物再识别中由于 RGB 和红外图像之间的显着模态差异而产生的挑战，并在两个具有挑战性的基准测试上展示出了优越的性能。

    Mar, 2022

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016

  • 多模态数据增强在受损数据下的可见 - 红外人员再识别

    本文提出一种专门针对可见光 - 红外多模态下的数据增强方法，可以减小在复杂场景下 RGB 和 IR 图像损坏的影响，鼓励模态之间的协作并加强泛化能力，结果表明采用该策略训练的 V-I ReID 模型可以在多个数据集上胜过未进行数据增强的模型。

    Nov, 2022

  • 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

  • 基于多域学习的协同增强网络的夜间人物重新识别

    针对常见的夜间行人识别方法，我们提出了一种名为 CENet 的协作增强网络，通过在并行框架中进行多层次特征交互，有效处理图像灯光和行人识别之间的问题。我们整合了多领域特征交互，并利用多领域学习算法来利用小规模真实数据和大规模合成数据，证明了 CENet 的有效性。

    Dec, 2023