《Cross-Modality Person Re-Identification with Generative Adversarial Training》论文阅读

最新推荐文章于 2022-06-30 16:52:20 发布
最新推荐文章于 2022-06-30 16:52:20 发布
阅读量543 收藏
点赞数
分类专栏： Person ReID 文章标签： 深度学习 机器学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38990652/article/details/120726001
版权

模型使用RGB特征和红外特征，包含一个生成器和一个鉴别器

Generator

使用两种损失函数对Generator进行训练

  1. intra class embedding loss

  1. inter class embedding loss（cross-modality loss）

 

Final objective function

 

Discriminator

作者构建了一个模态分类器作为鉴别器，判断两个特征是否属于同一模态

 

Training

 

 

 

李加贝_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
跨模态行人重识别：Cross-Modality Person Re-Identification via Modality Confusionand Center Aggregation笔记
weixin_43898295的博客
11-03 729
对于每个样本图像xi，都有 σ 一个身份标签yi，一个真实的模态标签ti和一个混淆的模态标签oi，对于每个输入样本xi，真实模态标签ti对于可见图像被设置为 [1,0]，对于红外图像被设置为 [0,1]。在等式的右侧，第一项中的第一元素是中心损耗的一般形式，其表示图3 (a) 和 (b) 中的外圆 (灰色) 约束。应用约束余量 σ 以确保属于同一类的样本不太靠近中心，防止特征过度拟合到特征中心，以适度保持身份描述的多样性，即使在不同的模式下也是如此。特征提取器的目的是提取模态不变和区分性的特征。
Cross-Modality Person Re-Identification via Modality Confusion and Center Aggregation—这是一篇观点比较新颖的文章
JJxiao520的博客
02-06 477
Cross-Modality Person Re-Identification via Modality Confusionand Center Aggregation，一种新的用于行人重识别的方法。
跨模态行人重识别cm-SSFT：Cross-modality Person re-identification with Shared-Specific Feature Transfer 学习笔记
weixin_43898295的博客
06-30 1085
在本文中，我们通过提出一种新的跨模态共享特定特征转移算法（称为 cm-SSFT）来解决上述限制，以探索模态共享信息和模态特定特征的潜力。我们对亲和力进行建模根据共享特征对不同模态样本进行分类，然后在模态之间和跨模态传输共享特征和特定特征。我们还提出了一种互补的特征学习策略，包括模态适应、项目对抗学习和重建增强，以分别学习每种模态的判别性和互补性共享特征和特定特征。整个 cm-SSFT 算法可以端到端的方式进行训练。 模态共享特征学习方法放弃了许多有用的特定线索，因为无法从其他模态中提取模态特
论文阅读21 | Infrared-Visible Cross-Modal Person Re-Identification with an X Modality
滨哥v5的博客
07-09 769
X模态
Person Transfer GAN to Bridge Domain Gap for Person Re-Identification论文代码
06-25
这是CVPR2018论文Person Transfer GAN to Bridge Domain Gap for Person Re-Identification的代码，是用python书写的，内含模型，主要模块，实验结果等。
Deep Cross-Modality Alignment for Multi-Shot Person Re-IDentification
02-07
本文提出了一种深度跨模态对齐网络（Deep Cross-Modality Alignment Network），旨在解决多镜头行人重识别（Multi-Shot Person Re-Identification, Re-ID）问题。传统的单镜头行人重识别技术虽然已经取得了一定成果...
2019 ArXiv之ReID：Hetero-Center Loss for Cross-Modality Person Re-Identification
01-06
Hetero-Center Loss for Cross-Modality Person Re-Identification 当前的问题及概述： 目前所有的框架都在解决跨模态差异问题，很少有研究探讨改进类内跨模态相似性。 本文提出了一个新的损失函数，称为异中心损失...
论文研究-Cross-modality based Face Naming For News image Collection.pdf
08-17
因此，迫切需要开发自动化的工具来实现新闻图像中人物的脸部识别和命名，以提高信息检索和阅读的效率。 标签中体现的知识点：图像处理。 图像处理是计算机科学的一个分支，主要研究使用计算机技术对图像进行加工...
Enhancing the Discriminative Feature Learning for Visible-Thermal Cross-Modality
12-05
【跨模态行人重识别】在计算机视觉领域中，跨模态行人重识别（Cross-Modality Person Re-Identification，简称VT Re-ID）是一项重要的技术，尤其在24小时智能监控系统中。当可见光摄像头在夜间无法正常工作时，热像...
用于医学图像分割的非配对交叉模态导出蒸馏（CMEDL）_Unpaired cross-modality educed disti
02-05
《非配对交叉模态导出蒸馏（CMEDL）在医学图像分割中的应用》 在医学图像处理领域，准确且稳定的肺部肿瘤分割对于精确的放射治疗规划和疗效评估至关重要。针对这一需求，研究人员提出了一个创新的非配对交叉模态...
2020 AAAI之ReID：Infrared-Visible Cross-Modal Person Re-Identification with an X Modality
makabaka的博客
04-26 1274
Infrared-Visible Cross-Modal Person Re-Identification with an X Modality 论文：https://download.csdn.net/download/qq_41967539/12363836 当前的问题及概述： 1，红外和可见光分别包含了许多不同的信息，以往的方法倾向于直接从这两种原始模态中学习跨模态信息。但结果说明这种直接映...
Cross-Modality Person Re-Identification with Generative Adversarial Training--阅读
WJ_MeiMei的博客
01-08 1955
论文链接，点击此处 提出背景 真实场景少 夜晚监控当中的红外场景 实验结果 CMC 12.17% mAP 11.85% 数据集 SYSU :6个camera 1个exp标签 分别对应论文 cam1 --room1(indoor) cam2–room2(indoor) cam3–room2(indoor)–红外的 cam4–Gate cam5-- Garden cam6–passage 论文...
学习笔记：6-16Infrared-Visible Cross-Modal Person Re-Identification with an X Modality
weixin_44523062的博客
06-16 419
http://www.luyixian.cn/news_show_335517.aspx x modality可以指什么， 辅助模态，中间模态 1 RGB–》x？可以理解成公共特征空间中拉近了各个模态的分布散度？提高搜索进度，但是Infrared没有–》X 5张？ 2 生成网络如何训练？是什么类型的条件GAN吗？为什么只映射rgb–》x。没有 3 MRG模态各自模态分类softmax-triplet？，CMG跨模态差异是散度吗距离度量是什么？，设计的目的是什么？ ...
Cross-Modality Person Re-Identification with Generative Adversarial Training
weixin_42881607的博客
07-01 1443
paper 摘要 行人重识别是视频监控系统中的一项重要任务，它可以自动搜索和识别不同摄像机上的人。尽管在RGB相机中已经取得了广泛的REID进展，但研究红外图像和RGB图像之间的REID的工作却很少，这本质上是一个交叉模态问题，在现实场景中广泛遇到。关键的挑战在于两个方面，即缺乏识别信息来在RGB和红外成像设备之间重新识别同一个人，以及难以学习这种大规模交叉成像设备检索的强大指标。在本文中，我们通...
Infrared-Visible Cross-Modal Person Re-Identification with an X Modality——准研究生论文周报
Lei的博客
07-22 645
1 标题   Infrared-Visible Cross-Modal Person Re-Identification with an X Modality 来源：AAAI 2020 2 概述   本文也是一篇跨模态ReID(cm-ReID)，和上周的那篇结合特有特征和共享特征的cm-ReID相比，本文在两个数据集上的表现并不如前者，不过也是提供了一种思路吧。   本文的思路和做法巧妙而简单，跨模态ReID是个很难的任务，因为模态之间的差异或者说gap较大，为了减小gap，作者引入了一个介于RGB和红外图
跨模态行人重识别：Cross-Modality Person Re-Identification with Generative Adversarial Training 学习记录笔记
weixin_43898295的博客
04-19 902
目录 摘要 方法 cmGAN Generator Discriminator Training Algorithm Experiments 摘要 （1）提出一种新的跨模态生成对抗网络（称为cmGAN）。为了解决鉴别信息不足的问题，设计了一种基于生成对抗训练的鉴别器，从不同的模式中学习鉴别特征表示。 （2）为了解决大规模跨模态度量学习问题，将id损失和跨模态三元组损失结合起来，在最大化实例间跨模态相似性的同时最小化类间歧义。通过使用标准的深度神经网络框架，可以以端到端的方式对整个c..
CVPR 2020之ReID：Cross-modality Person re-identification with Shared-Specific Feature Transfer
makabaka的博客
03-08 5804
Cross-modality Person re-identification with Shared-Specific Feature Transfer 当前的问题及概述： 现有的研究主要集中在通过将不同的模态嵌入到同一个特征空间中来学习共同的表达。然而，只学习共同特征意味着巨大的信息损失，降低了特征的差异性。 在本文中，提出了一种新的跨模态共享特征转移算法(cm-SSFT)来解决上述问题，以探...
2018 IJCAI之ReID：Cross-Modality Person Re-Identification with Generative Adversarial Training
makabaka的博客
01-30 931
Cross-Modality Person Re-Identification with Generative Adversarial Training 目前的问题： 当前，面对这种跨模态问题，主要有两个困难： 1.RGB和红外模式之间缺乏识别同一人的区别信息 2.很难为这种大规模的交叉模式检索学习稳健的度量 为了解决识别信息不足的问题，本文设计了一种基于前沿生成对抗训练的鉴别器来学习不同模式下的...
论文阅读15 | Cross-Modality Person Re-Identification via Modality-aware Collaborative Ensemble Learning
滨哥v5的博客
06-10 1103
Modality-aware Collaborative Ensemble Learning
cross-modality fusion transformer for multispectral object detection
最新发布
09-16
跨模态融合变压器用于多光谱目标检测是一种先进的目标检测方法。多光谱图像由不同波段的传感器捕获，每个波段提供了目标的不同特征信息。传统的目标检测算法往往局限于单一光谱波段，无法在多光谱图像中有效提取目标...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值