多原型逐步对比学习的无监督可见 - 红外人员再识别
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
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
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
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。
May, 2023
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
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
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
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
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
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