May, 2024

跨颜色人物再识别的色彩空间学习

PDF
TL;DR通过颜色空间学习（CSL）解决了交叉颜色人物再识别问题，在不同模态的图像中增加颜色多样性，通过图像级颜色增强和像素级颜色转换两个模块实现，在 RGB 和红外模态的 NTU-Corridor 基准测试上验证了其有效性和鲁棒性。
person re-identificationcolor space learningcross-color person reidcolor diversityntu-corridor
发现论文，激发创造
  • 学习人物再识别不变色彩特征

    本文提出一种基于数据驱动的方法学习跨多个相机视图的人物再识别，通过联合学习线性变换和字典编码像素值，并使用颜色作为唯一线索，在多个颜色空间中进行比较，取得了优于其他方法的结果。

    Oct, 2014

  • 关注不同之处：通过对比关联进行跨模态人员再识别

    该研究提出了一种双通道跨模式特征学习框架，旨在保留内在空间结构并关注输入交叉模态图像对的差异，通过在一个共同的 3D 张量空间中嵌入交叉模式图像而不丢失空间结构以及通过动态比较输入图像对来提取对比特征等方式，在两个公共可用的 RGB-IR ReID 数据集上进行了广泛实验，并在全面和简化的评估模式下均优于现有的算法。

    Oct, 2019

  • 半监督跨摄像机软标签学习的渐进式人员重识别

    该研究提出了一种新的渐近式跨摄像头软标签学习方法用于半监督人物重识别任务，该方法能够生成跨摄像头软标签和利用它们优化网络。在五个大规模基准数据集上进行的广泛实验表明，该方法明显优于使用标记源域或 GAN 模型生成的图像的最新无监督方法，并且甚至具有与深度监督人物重识别方法相当的性能。

    Aug, 2019

  • RGB - 红外人员再识别的多特征空间联合优化网络 MSO

    本文提出了一种新颖的多特征空间联合优化（MSO）网络，在单模态空间和公共空间中学习可共享特征，通过感知边缘特征（PEF）损失和交叉模态对比中心（CMCC）损失共同优化模型，显着提高了网络性能，在 cross-modality person re-identification 任务上优于现有的最先进方法。

    Oct, 2021

  • 基于联合像素和特征对齐的 RGB - 红外交叉模态人员再识别

    本文提出了一种新颖的端到端对齐生成对抗网络 (AlignGAN)，以联合像素和特征对齐减轻 RGB-IR RE-ID 任务中的跨模态和内模态差异，并学习一致身份特征，在 SYSU-MM01 数据集上取得了优于当前最先进方法的结果。

    Oct, 2019

  • 基于视频的可见光与红外人员再识别学习模态不变性和时间记忆

    本研究主要研究基于视频的跨模态人员重新识别方法。通过构建一个视频 RGB-IR 数据集，证明了在 RGB-IR 人员重新识别中，视频到视频的匹配非常重要。此外，还提出了一种新的方法，该方法不仅将两种模态投射到模态不变的子空间中，还提取了时间内存以实现运动不变性。

    Aug, 2022

  • 基于教师 - 学生 GAN 模型的 RGB-IR 跨模态人员重识别

    利用基于 RGB-IR 的深度学习模型，通过两个 Teacher-Student GAN 模块相互引导，成功实现了在无光照条件下的人物跨域识别。在 SYSU-MM01 RGB-IR Re-ID 基准测试中，取得了 49.8% 的顶级成绩和 47.4% 的平均精度。

    Jul, 2020

  • 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

  • 仅使用 RGB 模态进行衣着变换人员重新识别

    该研究提出了一种基于衣服的对抗损失 (CAL) 方法，从原始 RGB 图像中挖掘与衣服无关的特征来提高衣服变化人员重新识别的准确度。同时，也贡献了一个名为 CCVID 的数据集，为对建模时空信息提供实验基础。

    Apr, 2022

  • 学习人物重新识别中服装变体的形状表示

    本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征，可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明，本研究的方法优于当前其他先进的方法。

    Mar, 2020