Jul, 2023

自适应生成可见光红外人员再识别的特权中间信息

PDF
TL;DR通过生成特权图像，将可见光和红外图像进行虚拟的领域转换以实现跨模态人物重新识别，并且适应性生成特权中间信息训练方法在增加匹配准确度时不需要额外的计算资源。
visible-infrared person re-identificationv-i reidcross-modaladaptive generation of privileged intermediate informationmatching accuracy
发现论文，激发创造
  • 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

  • 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

  • 基于视频的可见光红外人员再识别与辅助样本

    本研究提出了一种可匹配可见光和红外相机捕捉的人物的可视红外人物再识别方法（VI-ReID），旨在实现 24 小时监控系统中的人物检索和跟踪。通过构建大规模 VI-ReID 数据集 BUPTCampus，本研究为该领域的进一步研究提供了基础，并通过应用生成对抗网络（GAN）和课程学习等方法，取得了显著优越的实验结果。

    Nov, 2023

  • 增强可见 - 红外人体重新识别：模态和实例感知视觉提示学习

    可见 - 红外人员重新识别的关键是利用模态感知和实例感知的视觉提示网络，建立在 Transformer 架构上，利用模态特定提示和个体特定提示以提高鉴别能力，并在 SYSU-MM01 和 RegDB 数据集上验证了其有效性。

    Jun, 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

  • 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

  • 可见 - 红外人员重新识别的双向多步领域泛化

    该研究提出了一种名为 Bidirectional Multi-step Domain Generalization (BMDG) 的新方法，用于在不同的感官模态中统一特征表示，通过学习共享和模态不变的人体部位原型来对齐特征空间，然后利用多步学习逐步改进特征表示，并在此基础上使用多个桥接步骤来增强特征表示，有效地减少了感官模态之间的差距。实验证明，BMDG 方法在具有挑战性的可见 - 红外人物重新识别数据集上优于现有的基于部位的模型或通过可见 - 红外人物重新识别生成中间域的方法。

    Mar, 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

  • 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

  • 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