SYSU-MM01
PulseAugur coverage of SYSU-MM01 — every cluster mentioning SYSU-MM01 across labs, papers, and developer communities, ranked by signal.
-
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 Discrimi…
-
新的MDCRNet改进了可见光-红外图像行人重识别
研究人员开发了MDCRNet，一种旨在改进可见光-红外图像行人重识别（VI-ReID）的新型网络。该方法通过采用具有注意力机制和多尺度空间感知的分层学习模块来解决跨模态差异和有限判别能力等挑战。此外，还使用了包括粒度判别损失在内的联合判别度量损失来增强特征学习和可分性。在SYSU-MM01和RegDB数据集上的实验表明，MDCRNet取得了最先进的结果。
-
新的DSMCL框架通过学习双空间一致性来增强跨模态重识别
研究人员推出了一种新颖的框架——双空间模态一致性学习（DSMCL），旨在增强通用跨模态重识别。该方法通过联合考虑图像数据的空间域和频域方面，解决了现有方法的局限性。DSMCL旨在通过对齐空间特征和通过对比学习规范化高频表示，来改善不同成像模态（如可见光和红外）之间一致性表示的学习。该框架设计为即插即用，能够与各种跨模态重识别架构集成，并在多个数据集和评估协议中展示出一致的性能提升。
-
新的SSRL框架增强了无监督行人重识别能力
研究人员开发了一种名为结构-语义互学习（SSRL）的新框架，以改进无监督可见光-红外图像行人重识别。该方法通过采用细粒度结构解耦提取可靠的身体部位锚点，并通过闭环语义校准机制过滤噪声，从而解决了模态差异和噪声伪标签等挑战。SSRL旨在创建一个自纠正系统，以实现鲁棒的跨模态表示，并在基准数据集上取得了有竞争力的结果。