論文の概要: Multi-scale Decomposed Convolution Refinement Network for Visible-Infrared Person Re-Identification

• arxiv url: http://arxiv.org/abs/2608.16015v1
• Date: Mon, 17 Aug 2026 02:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.503512
• Title: Multi-scale Decomposed Convolution Refinement Network for Visible-Infrared Person Re-Identification
• Title（参考訳）: 可視赤外人物再同定のためのマルチスケール分解畳み込みネットワーク
• Abstract要約: Visible-infrared person re-identification (VI-ReID) は、横断的な不一致と限定的な識別能力に悩まされる。 本稿では,MDCRNetを提案する。MDCRNetは,クロスモーダルな特徴学習と識別的メートル法学習を強化するマルチスケール・デコンプリケーション・リファインメント・ネットワークである。
• 参考スコア（独自算出の注目度）: 11.621464807854816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible-infrared person re-identification (VI-ReID) suffers from cross-modal discrepancies and limited discriminative capabilities, leading to suboptimal recognition performance. Current approaches exhibit limitations in semantic mining, cross-modal fusion and feature constraints. To tackle these challenges, we propose MDCRNet, a Multi-scale Decomposed Convolution Refinement Network that enhances cross-modal feature learning and discriminative metric learning. Specifically, we introduce a Hierarchical Learning Module (HLM) containing four Hierarchical Decomposed Convolution Attention (HDCA) modules, each equipped with lightweight channel attention and multi-scale spatial perception blocks to capture multi-scale spatial dependencies. Moreover, we develop a Joint Discriminative Metric Loss (JDML) incorporating a novel Granularity Discriminative Loss (GDL) that simultaneously optimizes intra-identity compactness and inter-identity separability across modalities. Extensive experiments on SYSU-MM01 and RegDB datasets demonstrate that MDCRNet achieves state-of-the-art performance on both benchmarks. Code is available at https://github.com/Kevin-zms/MDCRNet.
• Abstract（参考訳）: Visible-infrared person re-identification (VI-ReID) は、異種間不一致と識別能力の限界に悩まされ、準最適認識性能に繋がる。 現在のアプローチでは、セマンティックマイニング、クロスモーダル融合、特徴制約が制限されている。 これらの課題に対処するために,MDCRNetを提案する。MDCRNetは,クロスモーダルな特徴学習と識別的メートル法学習を強化するマルチスケール・デコンプリケーション・リファインメント・ネットワークである。 具体的には,4つの階層的分解コンボリューション・アテンション(HDCA)モジュールを含む階層型学習モジュール(HLM)を導入し,それぞれに軽量なチャネルアテンションとマルチスケール空間認識ブロックを備え,マルチスケール空間依存を捉える。 さらに,新たな粒度識別損失(GDL)を取り入れたJDML(Joint Discriminative Metric Loss)を開発した。 SYSU-MM01とRegDBデータセットの大規模な実験は、MDCRNetが両方のベンチマークで最先端のパフォーマンスを達成することを示した。 コードはhttps://github.com/Kevin-zms/MDCRNetで入手できる。

関連論文リスト

• Dual-Space Modality Consistency Learning for Universal Cross-Modal Re-Identification [10.822746613983464]
  ReID(Cross-modal Re-Identification)は、異種画像モダリティ間で同じアイデンティティを検索することを目的としている。 広義のクロスモーダルReIDのためのDual-Space Modality Consistency Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-07T08:20:36Z)
• MO R-CNN: Multispectral Oriented R-CNN for Object Detection in Remote Sensing Image [16.689111713505486]
  異種特徴抽出ネットワーク(HFEN)、単一モダリティ監視(SMS)、条件ベースマルチモーダルラベル融合(CMLF)を特徴とするマルチスペクトル指向検出のための軽量フレームワークを提案する。 DroneVehicle、VEDAI、OGSODデータセットの実験は、我々の手法の優位性を証明している。
  論文  参考訳（メタデータ） (2025-09-21T07:38:54Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Graph-Based Uncertainty Modeling and Multimodal Fusion for Salient Object Detection [12.743278093269325]
  動的不確実性伝播とマルチモーダル協調推論ネットワーク(DUP-MCRNet)を提案する。 DUGCは空間意味距離に基づいて構築されたスパースグラフを通じて層間の不確実性を伝播するように設計されている。 MCFは学習可能なモダリティゲーティングウェイトを使用して、RGB、深さ、エッジの特徴の注意マップを重み付けする。
  論文  参考訳（メタデータ） (2025-08-28T04:31:48Z)
• Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
  本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
  論文  参考訳（メタデータ） (2025-01-18T11:57:20Z)
• Prototype-Driven Multi-Feature Generation for Visible-Infrared Person Re-identification [11.664820595258988]
  可視的(視覚)画像と赤外線(赤外線)画像の違いから、可視的(赤外線)人物の再識別における主な課題が生じる。 既存の手法は、しばしば水平分割に頼って部分レベルの特徴を整列させ、不正確性を導入する。 クロスモーダルな相違を緩和することを目的としたPDM(Prototype-Driven Multi-Feature Generation framework)を提案する。
  論文  参考訳（メタデータ） (2024-09-09T14:12:23Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Multi-Scale Cascading Network with Compact Feature Learning for RGB-Infrared Person Re-Identification [35.55895776505113]
  マルチスケールパートアウェアカスケードフレームワーク(MSPAC)は、マルチスケールの細かい機能を部分からグローバルに集約することによって策定されます。 したがって、クロスモダリティ相関は、特徴的モダリティ不変な特徴学習のための顕著な特徴を効率的に探索することができる。
  論文  参考訳（メタデータ） (2020-12-12T15:39:11Z)
• Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
  Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。 既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。 そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T03:08:13Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。