論文の概要: Base-Detail Feature Learning Framework for Visible-Infrared Person Re-Identification

• arxiv url: http://arxiv.org/abs/2505.03286v1
• Date: Tue, 06 May 2025 08:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.252742
• Title: Base-Detail Feature Learning Framework for Visible-Infrared Person Re-Identification
• Title（参考訳）: 可視赤外人物再同定のためのベースディテール特徴学習フレームワーク
• Authors: Zhihao Gong, Lian Wu, Yong Xu,
• Abstract要約: Visible-infrared person re-identification (VIReID)は24時間のシナリオでReIDタスクのソリューションを提供する。 本稿では,基礎知識と詳細知識の両方の学習を促進するベース詳細特徴学習フレームワーク(BDLF)を提案する。
• 参考スコア（独自算出の注目度）: 9.922948495977876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible-infrared person re-identification (VIReID) provides a solution for ReID tasks in 24-hour scenarios; however, significant challenges persist in achieving satisfactory performance due to the substantial discrepancies between visible (VIS) and infrared (IR) modalities. Existing methods inadequately leverage information from different modalities, primarily focusing on digging distinguishing features from modality-shared information while neglecting modality-specific details. To fully utilize differentiated minutiae, we propose a Base-Detail Feature Learning Framework (BDLF) that enhances the learning of both base and detail knowledge, thereby capitalizing on both modality-shared and modality-specific information. Specifically, the proposed BDLF mines detail and base features through a lossless detail feature extraction module and a complementary base embedding generation mechanism, respectively, supported by a novel correlation restriction method that ensures the features gained by BDLF enrich both detail and base knowledge across VIS and IR features. Comprehensive experiments conducted on the SYSU-MM01, RegDB, and LLCM datasets validate the effectiveness of BDLF.
• Abstract（参考訳）: 可視赤外人物再識別(VIReID)は、24時間シナリオにおけるReIDタスクに対するソリューションを提供するが、可視(VIS)と赤外線(IR)の相違により、満足なパフォーマンスを達成する上で大きな課題が持続する。 既存の手法では、異なるモダリティからの情報を不適切に活用しており、主に、モダリティ固有の詳細を無視しながら、モダリティ共有情報から特徴を識別することに焦点を当てている。 そこで本研究では,BDLF (Base-Detail Feature Learning Framework) とBDLF (Base-Detail Feature Learning Framework) を提案する。 具体的には、BDLFにより得られた特徴が、VISとIRの両機能にわたって詳細と基礎知識を豊かにすることを保証する新しい相関制限法により、損失のない詳細特徴抽出モジュールと補完的なベース埋め込み生成機構を介して、詳細と基本特徴をマイニングする。 SYSU-MM01, RegDB, LLCMデータセットの総合的な実験により, BDLFの有効性が検証された。

関連論文リスト

• Learning Cross-modality Information Bottleneck Representation for Heterogeneous Person Re-Identification [61.49219876388174]
  Visible-Infrared person re-identification (VI-ReID)は、インテリジェントビデオ監視において重要かつ困難な課題である。 既存の手法は主に共有特徴空間の学習に重点を置いており、可視光と赤外光の相違を減らす。 本稿では,新しい相互情報・モダリティコンセンサスネットワーク,すなわちCMInfoNetを提案し,モダリティ不変な同一性の特徴を抽出する。
  論文  参考訳（メタデータ） (2023-08-29T06:55:42Z)
• Shape-Erased Feature Learning for Visible-Infrared Person Re-Identification [90.39454748065558]
  体型は、VI-ReIDにとって重要なモダリティシェードの1つである。 本稿では,2つの部分空間におけるモダリティ共有特徴を関連づける形状学習パラダイムを提案する。 SYSU-MM01, RegDB, HITSZ-VCMデータセットを用いた実験により, 本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-04-09T10:22:10Z)
• Learning Progressive Modality-shared Transformers for Effective Visible-Infrared Person Re-identification [27.75907274034702]
  我々は,能率VI-ReIDのためのPMT(Progressive Modality-Shared Transformer)という新しいディープラーニングフレームワークを提案する。 モダリティギャップの負の効果を低減するために、まず、グレースケールの画像を補助的なモダリティとして捉え、進歩的な学習戦略を提案する。 クラス内差が大きく,クラス間差が少ない問題に対処するために,識別中心損失を提案する。
  論文  参考訳（メタデータ） (2022-12-01T02:20:16Z)
• On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
  本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。 これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
  論文  参考訳（メタデータ） (2022-01-11T09:44:00Z)
• CMTR: Cross-modality Transformer for Visible-infrared Person Re-identification [38.96033760300123]
  可視赤外人物再識別のための相互モダリティトランスフォーマー法(CMTR) 我々は,モダリティの情報をエンコードするために,トークン埋め込みと融合した新しいモダリティ埋め込みを設計する。 提案するCMTRモデルの性能は,既存のCNN方式をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-10-18T03:12:59Z)
• Feature Decomposition and Reconstruction Learning for Effective Facial Expression Recognition [80.17419621762866]
  本稿では,表情認識のための特徴分解再構成学習(FDRL)手法を提案する。 FDRLは、FDN(Feature Decomposition Network)とFRN(Feature Restruction Network)の2つの重要なネットワークで構成されている。
  論文  参考訳（メタデータ） (2021-04-12T02:22:45Z)
• Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution [89.1947690981471]
  本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。 特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。 実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-09-28T08:31:23Z)
• Multi-Granularity Reference-Aided Attentive Feature Aggregation for Video-based Person Re-identification [98.7585431239291]
  ビデオベースの人物再識別は、同じ人物をビデオクリップ間でマッチングすることを目的としている。 本稿では,マルチグラニュラリティ参照属性集約モジュールMG-RAFAを提案する。 本フレームワークは,3つのベンチマークデータセット上での最先端のアブレーション性能を実現する。
  論文  参考訳（メタデータ） (2020-03-27T03:49:21Z)

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。