增强记忆的混合元学习用于可见红外人重新识别.
Hanxiao Wu1, Yutao Chen2, Yi Xie3
1College of Information Science and Engineering, Huaqiao University, Xiamen, 361021, Fujian, China; School of Computer Science and Artificial intelligence, Wuhan University of Technology, Wuhan, 430070, Hubei, China.
这项研究引入了记忆增强混合元 (MASM) 学习,以改善可见红外人重新识别 (VIPR). 马斯 (MASM) 增强了特征学习,以更好地跨模式识别个体,优于现有方法.
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 (VIPR) 面临着由于模式差异的挑战,导致跨模式相似性较差.
- 现有的VIPR方法在有限的数据上扎,阻碍了歧视性特征学习和全球相似度数的捕获.
研究的目的:
- 开发一种新的方法,即增强记忆的混合超级学习 (MASM),以克服VIPR的挑战.
- 增强模型学习歧视性特征和全球相似度指标的能力,以改善跨模式重新识别.
主要方法:
- 引入了增强记忆的混合元学习 (MASM),结合了混合元学习 (SML) 和记忆元学习 (MML).
- SML产生了多样化的训练集,而MML则利用长期依赖的内存库.
- 该方法旨在改善数据的利用,并学习全面的全球元度量.
主要成果:
- 在对RegDB和SYSU-MM01数据集的广泛实验中,MASM方法表现出卓越的性能.
- 这种方法显著提高了在可见和红外模式中区分个体的能力.
结论:
- MASM学习有效地解决了可见红外人重新识别的挑战.
- 拟议的方法为跨模式人识别系统提供了一个有希望的进步.
更多相关视频
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
相关概念视频
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
Super-resolution Fluorescence Microscopy
Photoreceptors and Visual Pathways
Color Vision
