循环转换:通过循环构造学习中立但具有歧视性的特征,用于可见红外人重新识别
概括
这项研究介绍了CycleTrans,这是一个用于可见红外人重新识别 (VI-ReID) 的新网络. CycleTrans有效地学习中立但有区别的特征,提高了不同相机频谱的匹配精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 可见红外人重新识别 (VI-ReID) 面临挑战,原因是可见和红外摄像机之间的模式差距.
- 现有的VI-ReID方法往往会牺牲特征的可区分性,以实现跨模式的通用化.
研究的目的:
- 开发一个新的网络,CycleTrans,用于在VI-ReID中中性和歧视性特征学习.
- 解决模式差距,增强特征的独特性,以改善人与人匹配.
主要方法:
- CycleTrans使用轻量级的知识捕获模块 (KCM) 来使用伪来提取语义特征.
- 一个差异建模模块 (DMM) 将特征转换为基于原型的模式中立表示.
- 使用额外的KCM构建特征循环,确保可区分性并保留突出语义.
主要成果:
- 在SYSU-MM01和RegDB数据集上,CycleTrans表现出卓越的性能.
- 该方法实现了最先进的 (SOTA) 结果,特别是在排名-1准确度方面.
- 验证证实了CycleTrans在学习中立和歧视特征方面的有效性.
结论:
- 通过学习中立但具有歧视性的特征,CycleTrans为VI-ReID提供了有效的解决方案.
- 循环构造方法成功地弥合了模式差距,同时保留了重要的语义信息.
- 拟议的方法推进了跨模式人重新识别的最新技术.
