論文の概要: Homogeneous and Heterogeneous Relational Graph for Visible-infrared Person Re-identification

• arxiv url: http://arxiv.org/abs/2109.08811v1
• Date: Sat, 18 Sep 2021 02:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:32:15.844577
• Title: Homogeneous and Heterogeneous Relational Graph for Visible-infrared Person Re-identification
• Title（参考訳）: 可視赤外人物再識別のための同種・異種関係グラフ
• Authors: Yujian Feng, Feng Chen, Jian Yu, Yimu Ji, Fei Wu, Shangdong Liu
• Abstract要約: Visible-infrared person re-identification (VI Re-ID) は、可視光と赤外線のモダリティ間の人物像のマッチングを目的としている。 既存のVI Re-ID法は主に1つの画像から均一な構造関係を抽出することに焦点を当てている。 本稿では,モーダリティ固有のグラフを用いて,各モーダリティ内の同種構造関係をモデル化する。 次に、これらの2つのモジュラリティ固有グラフにおける不均一構造相関について検討する。
• 参考スコア（独自算出の注目度）: 20.30508026932434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible-infrared person re-identification (VI Re-ID) aims to match person images between the visible and infrared modalities. Existing VI Re-ID methods mainly focus on extracting homogeneous structural relationships from a single image, while ignoring the heterogeneous correlation between cross-modality images. The homogenous and heterogeneous structured relationships are crucial to learning effective identity representation and cross-modality matching. In this paper, we separately model the homogenous structural relationship by a modality-specific graph within individual modality and then mine the heterogeneous structural correlation in these two modality-specific graphs. First, the homogeneous structured graph (HOSG) mines one-vs.-rest relation between an arbitrary node (local feature) and all the rest nodes within a visible or infrared image to learn effective identity representation. Second, to find cross-modality identity-consistent correspondence, the heterogeneous graph alignment module (HGAM) further measures the relational edge strength by route search between two-modality local node features. Third, we propose the cross-modality cross-correlation (CMCC) loss to extract the modality invariance in heterogeneous global graph representation. CMCC computes the mutual information between modalities and expels semantic redundancy. Extensive experiments on SYSU-MM01 and RegDB datasets demonstrate that our method outperforms state-of-the-arts with a gain of 13.73\% and 9.45\% Rank1/mAP. The code is available at https://github.com/fegnyujian/Homogeneous-and-Heterogeneous-Relational-Graph.
• Abstract（参考訳）: Visible-infrared person re-identification (VI Re-ID) は、可視光と赤外線のモダリティ間の人物像のマッチングを目的としている。 既存のvi re-id法は主に単一画像からの均質な構造的関係の抽出に焦点を合わせ、一方、相互モダリティ画像間の不均一な相関を無視する。 等質的および異質な構造的関係は、効果的なアイデンティティ表現と相互モダリティマッチングを学ぶために重要である。 本稿では,各モダリティ内におけるモダリティ固有グラフによる同種構造関係を別々にモデル化し,この2つのモダリティ固有グラフにおける異種構造相関を抽出する。 まず、同次構造グラフ (HOSG) は 1-vs をマイニングする。 -任意のノード(ローカル機能)と可視または赤外線画像内の残りのすべてのノードの関係を保ち、効果的なアイデンティティ表現を学習する。 第2に, 異種グラフアライメントモジュール (HGAM) は, 2モードの局所ノード特徴間の経路探索により, さらに関係エッジ強度を測定する。 第3に、異種グローバルグラフ表現におけるモダリティ不変性を抽出するために、CMCC損失を提案する。 CMCCは、モダリティ間の相互情報を計算し、セマンティック冗長性を排除する。 SYSU-MM01とRegDBデータセットの大規模な実験により、我々の手法は13.73\%と9.45\%のRan1/mAPで最先端の性能を発揮することが示された。 コードはhttps://github.com/fegnyujian/homogeneous-and-heterogeneous-Relational-Graphで公開されている。

関連論文リスト

• A Heterogeneous Graph Neural Network Fusing Functional and Structural Connectivity for MCI Diagnosis [5.626542453309023]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)に基づく機能的および構造的接続を統合する新しい手法を提案する。 実験の結果,提案手法は他のアルゴリズムよりも有効であり,平均分類精度は93.3%であった。
  論文  参考訳（メタデータ） (2024-11-13T08:17:52Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• A Universal Model for Cross Modality Mapping by Relational Reasoning [29.081989993636338]
  クロスモダリティマッピングは、コンピュータビジョンコミュニティで注目を集めています。 本稿では,相互関係を効率的に計算するGCNベースのReasoning Network(RR-Net)を提案する。 画像分類,ソーシャルレコメンデーション,および音声認識の3つの例による実験により,提案モデルの優越性と普遍性を明らかにした。
  論文  参考訳（メタデータ） (2021-02-26T08:56:24Z)
• Hybrid Micro/Macro Level Convolution for Heterogeneous Graph Learning [45.14314180743549]
  不均一グラフは、各グラフが複数の種類のノードとエッジから構成される現実的なシナリオで広く普及する。 既存のグラフ畳み込みアプローチのほとんどは均質グラフ用に設計されており、したがって異種グラフを扱うことはできない。 ヘテロジニアスグラフ上の包括的ノード表現を学習するための新しいヘテロジニアスグラフ畳み込み手法であるHGConvを提案する。
  論文  参考訳（メタデータ） (2020-12-29T12:12:37Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。