超级会员免费看
论文《Noisy-Correspondence Learning for Text-to-Image Person Re-identification》提出了鲁棒双嵌入（RDE）方法，解决跨模态行人再识别中的噪声对应问题。通过Confident Consensus Division（CCD）和Triplet Alignment Loss（TAL），RDE在三个数据集上实现最佳性能，展示其在处理噪声数据时的优越性和稳定性。
这篇论文的标题是《Noisy-Correspondence Learning for Text-to-Image Person Re-identification》，作者是来自中国四川大学、英国诺森比亚大学、新加坡A*STAR前沿人工智能研究中心和高性能计算研究所的研究人员。论文主要研究了文本到图像的行人再识别（Text-to-Image Person Re-identification, TIReID）问题，这是一个在跨模态领域中具有挑战性的话题，目标是基于文本查询检索目标人物的图像。
主要贡献和创新点：
-
问题揭示：论文揭示了TIReID中的一个新的普遍问题，即噪声对应（Noisy Correspondence, NC）。与类别级别的噪声标签不同，NC指的是图像-文本对中的错误的对应关系，这可能会误导模型学习错误的视听语义关联。
-
鲁棒方法：提出了一种名为鲁棒双嵌入（Robust Dual Embedding, RDE）的方法，通过提出的Confident Consensus Division (CCD)机制和新颖的Triplet Alignme
订阅专栏 解锁全文
扫一扫
305
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
