Apr, 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

PDF
TL;DR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。
unsupervised visible-infrared person re-identificationuvi-reidclusteringcross-modalitypraise
发现论文，激发创造
  • 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

  • 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

    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

  • 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

  • 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

  • 多层次跨模态联合对齐：可见 - 红外人员再识别

    提出了一种名为多层交叉模态联合对齐（MCJA）的简单而有效的方法，它通过模态对齐增强和跨模态检索损失来缩小可见光和红外图像之间的差距，从而实现人员再识别任务的跨模态图像检索。

    Jul, 2023

  • 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

  • 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

  • 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

  • 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