新的MDCRNet架构改进了可见光-红外图像行人重识别

研究人员开发了一种名为MDCRNet的新网络架构，以应对可见光-红外图像行人重识别中的挑战。该多尺度分解卷积细化网络（Multi-scale Decomposed Convolution Refinement Network）旨在通过引入具有注意力机制和多尺度空间感知的分层学习模块（Hierarchical Learning Module）来改进跨模态特征学习和判别性度量学习。该网络还利用了联合判别性损失（Joint Discriminative Metric Loss），包括粒度判别性损失（Granularity Discriminative Loss），以增强同一身份的紧凑性和不同身份的可分离性。在SYSU-MM01和RegDB数据集上的实验表明，MDCRNet取得了最先进的性能。 AI

影响 这项研究引入了一种新颖的架构，有望提升多模态环境中行人重识别系统的能力。

排序理由 该集群包含一篇详细介绍特定计算机视觉任务新网络架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• Granularity Discriminative Loss
• Hierarchical Learning Module
• Joint Discriminative Metric Loss
• MDCRNet
• RegDB
• SYSU-MM01

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →