論文の概要: Prototype Matters: Modality-unified Prototype Self-distillation for Unsupervised Visible-infrared Person Re-identification

• arxiv url: http://arxiv.org/abs/2609.11514v1
• Date: Thu, 10 Sep 2026 13:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.366924
• Title: Prototype Matters: Modality-unified Prototype Self-distillation for Unsupervised Visible-infrared Person Re-identification
• Title（参考訳）: 原型物質: 教師なし可視赤外線人物再同定のためのモダリティ統一型原型自己蒸留法
• Abstract要約: 信頼できる相互モダリティ・アソシエーションを推定することは、教師なし可視光赤外人物のre-IDにとって不可欠である。 本稿では,プロトタイプをうまく活用したモダリティ学習のための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.26633510662346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating reliable cross-modality association is crucial to unsupervised visible-infrared person re-ID. While optimal transport is shown to be a practical solution for cross-modality association, it suffers from the rigidness of hard label assignment without considering the impact of cluster noise. Moreover, enforcing only cross-modality contrast is also suboptimal, as it fails to jointly optimize the similarity relation within and across modality. In this paper, we propose a novel framework for cross-modality learning by well exploitation of prototypes: First, instead of contrasting with cross-modality prototypes, we show that modality-unified prototypical contrast facilitates better modality invariance by jointly and simultaneously optimizing similarity relation within and across-modality. Taking self-prototype as a steady teacher, we further refine the instance-prototype online relation through prototype-guided self-distillation. The two components are optimized in a unified framework, leading to a simple yet effective model. On standard VI-ReID benchmarks, we perform extensive comparison and analysis, validating the effectiveness of our proposed method. Code is available at: https://github.com/Terminator8758/PoSeD.
• Abstract（参考訳）: 信頼できる相互モダリティ・アソシエーションを推定することは、教師なし可視光赤外人物のre-IDにとって不可欠である。 最適輸送は, クラスタノイズの影響を考慮せずに, ハードラベル配置の剛性に悩まされる。 さらに、モダリティ間の類似性関係を共同で最適化することができないため、モダリティ間のコントラストのみを強制することは準最適である。 本稿では, プロトタイプをうまく活用して, クロスモダリティ学習のための新しい枠組みを提案する。まず, クロスモダリティのプロトタイプと対比する代わりに, モダリティを統一したプロトモダラルコントラストが, モダリティ内およびモダリティ間の類似性関係を同時に最適化することにより, より良いモダリティ不変性を促進することを示す。 安定した教師として自己原型を取り入れて,プロトタイプ誘導型自己蒸留によるインスタンス原型オンライン関係をさらに洗練する。 2つのコンポーネントは統一されたフレームワークで最適化され、シンプルだが効果的なモデルに導かれる。 標準VI-ReIDベンチマークにおいて,提案手法の有効性を検証し,広範囲な比較と解析を行う。 コードは、https://github.com/Terminator8758/PoSeD.comで入手できる。

関連論文リスト

• Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
  Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。 MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-09T06:38:36Z)
• COMBINER: Composed Image Retrieval Guided by Attribute-based Neighbor Relations [73.40758654107724]
  By attrIbute-based NEighbor Relations (COMBINER) によるCOMposed画像検索ネットワークについて紹介する。 具体的には,まずアダプティブ・セマンティック・ディスタングルメント・モジュールを設計する。 次に, クロスモーダルな統一プロトタイプを構築可能なUnified Prototypeベースのコンポジションモジュールを提案する。 最後にDual Relations Modelingモジュールを導入し、属性の類似性に基づいてペアと隣り合う関係をマイニングする。
  論文  参考訳（メタデータ） (2026-06-03T08:43:51Z)
• Reward Score Matching: Unifying Reward-based Fine-tuning for Flow and Diffusion Models [54.597200388738656]
  Reward-based fine-tuningは、事前訓練された拡散またはフローベース生成モデルを、より高い逆サンプルに向けて操ることを目的としている。 報酬スコアマッチング (RSM) と呼ばれる共通フレームワークで記述できることが示される。
  論文  参考訳（メタデータ） (2026-04-19T12:47:52Z)
• Modality-Aware Bias Mitigation and Invariance Learning for Unsupervised Visible-Infrared Person Re-Identification [14.343677160918723]
  教師なし可視赤外線人物再識別(USVI-ReID)は、アノテーションに頼ることなく、可視・赤外線カメラ間で個人をマッチングすることを目的としている。 信頼性の高いクロスモダリティ・アソシエーションを推定することは、USVI-ReIDにおいて大きな課題である。 本稿では、偏りを緩和したグローバルアソシエーションとモダリティ不変表現学習という2つの側面から、モダリティ間の学習に対処することに焦点を当てる。
  論文  参考訳（メタデータ） (2025-12-08T17:42:28Z)
• Dual-Granularity Cross-Modal Identity Association for Weakly-Supervised Text-to-Person Image Matching [7.1469465755934785]
  弱教師付きテキスト対人画像マッチングは、大規模な手動ラベル付きサンプルへのモデル依存を減らすための重要なアプローチである。 本稿では,複雑な一対多の同一性関係を予測するために,二重粒度同一性関連機構を提案する。 実験結果から,提案手法はクロスモーダルマッチングの精度を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2025-07-09T10:59:13Z)
• SCING:Towards More Efficient and Robust Person Re-Identification through Selective Cross-modal Prompt Tuning [17.104905795008555]
  Selective Cross-modal Prompt Tuning (SCING) というフレームワークを提案する。 我々のフレームワークは、効率的な推論を維持しながら重いアダプタを排除し、性能と計算オーバーヘッドの最適なトレードオフを実現する。
  論文  参考訳（メタデータ） (2025-07-01T07:21:31Z)
• Mix-Modality Person Re-Identification: A New and Practical Paradigm [20.01921944345468]
  より実用的な混合モダリティ検索パラダイムを提案する。 既存の可視赤外人物再識別法(VI-ReID)は,両モード相互検索のパラダイムにおいていくつかの成果を上げている。 本稿では,Mix-Modality person re-identification (MM-ReID)タスクを提案する。
  論文  参考訳（メタデータ） (2024-12-06T02:19:57Z)
• Mutual Information Guided Optimal Transport for Unsupervised Visible-Infrared Person Re-identification [39.70083261306122]
  非監視型赤外線人物再識別 (USVI-ReID) は, ラベル情報を用いることなく, 異質な歩行者画像を取得することを目的とした, 難易度の高い検索課題である。 本稿では,モデルの相互情報に基づいて,教師なしVI-ReIDの最適化目標を導出する。 彼らの指導のもと、モデルトレーニングと相互モダリティマッチングの交互にループ反復的なトレーニング戦略を設計する。
  論文  参考訳（メタデータ） (2024-07-17T17:32:07Z)
• Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
  教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。 提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:40:30Z)
• 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)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)

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。