- 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。
- 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。
- 可见 - 红外人员再识别的参数层次优化
可见 - 红外行人再识别(VI-reID)通过设计不同类型的网络架构来减小跨模态差异,本文提出了一种新颖的参数优化方法 —— 参数分层优化(PHO)方法,它允许直接优化部分参数而无需任何训练,缩小了参数搜索空间且使整个网络更易训练,此外,本 - CVPR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, - 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 - YYDS:粗略描述的可见光红外人员再识别
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。
- 基于 CLIP 的可见光 - 红外人员再识别的语义发现网络
可见 - 红外人员再识别(VIReID)主要处理来自不同模态的人员图像之间的身份匹配,并通过融合高级语义与视觉特征来弥合模态差距。我们提出了一个基于 CLIP 的语义发现网络(CSDN),通过多模态学习的文本标记和集成文本特征来嵌入丰富的高 - 可见 - 红外人物再识别的频域细节挖掘
本文首次探索了可见光 - 红外人物再识别的潜在频率信息,提出了一种新颖的频域差异挖掘方法 (Frequency Domain Nuances Mining),通过挖掘跨模态的频率领域细微差异,从频域角度有效降低了模态不一致性。实验证明,该方 - 频域模态不变特征学习在可见 - 红外人员再识别中的应用
通过频域透视角度降低现有频域可见光红外人物再识别方法中的模态差异问题,通过引入实例自适应振幅滤波模块和短语保持归一化模块强化模态不变振幅分量并抑制模态特定分量,研究结果表明我们的模型在 SYSU-MM01 和 RegDB 两个标准数据集上性 - AAAI基于高阶结构的中间特征学习用于可见 - 红外人员再识别
通过引入高阶结构信息的中级特征学习网络,有效解决了可见光 - 红外人物再识别中高阶结构信息的忽略、模态差异导致特征空间难学习的问题,并在多个数据集上取得了优于现有方法的性能。
- 跨模态感知行人注视学习的可见光 - 红外人物重新识别
通过引入区域数据增强和轻量级混合补偿模块的转移感知行人关注学习 (TMPA) 模型,以有效补偿缺失的特定模态特征,并完全探索具有最小计算开销的判别模块完整特征,我们提出了一种新颖的可见 - 红外行人再识别方法。在 SYSU-MM01 和 R - 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, - 可见光 - 红外人员再识别的多尺度语义相关挖掘
通过多尺度语义相关性挖掘网络(MSCMNet),从不同的模态中提取有区分性的特征用于匹配的任务中,最大的挑战在于如何全面利用语义特征以及尽可能减少特征提取中的模态信息损失。该网络包含三个主要组成部分:多尺度信息相关性挖掘模块(MIMB)用于 - 基于形状中心的可见 - 红外人员再识别表示学习
提出了一种以形状为中心的表示学习框架 (ScRL),该框架集中于学习与形状相关的形状特征和外观特征,通过形状特征传播、红外形状补偿和外观特征增强等方法来解决当前可见 - 红外人物重新识别方法在形状特征提取中遇到的挑战,取得了显著的结果。
- ProtoHPE: 基于原型引导的高频补丁增强可见 - 红外人员再识别
利用高频组件跨模态实现可见 - 红外人员重新识别。
- VI-Diff:单模态标记的可见 - 红外人员再识别的非配对可见 - 红外转换扩散模型
提出了 VI-Diff,一种有效解决可见 - 红外人物图像翻译任务的扩散模型。通过综合实验证明,VI-Diff 优于现有的扩散和生成对抗网络模型,为具有单模态标记数据的 VI-ReID 任务提供了有希望的解决方案。
- ICCV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 - 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。
- 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。
- 自适应生成可见光红外人员再识别的特权中间信息
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。