.png){kind=icon}
返回
Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02461-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督可见光-红外行人重识别（USL-VI-ReID）旨在无需人工标注即可跨模态匹配同一行人的图像。现有方法通过标签关联算法统一跨模态图像的伪标签，随后设计对比学习框架进行全局特征学习。然而，这些方法忽略了由细粒度模式带来的特征表示和伪标签分布的跨模态差异。这一认识导致仅优化全局特征时模态共享学习不足。为解决此问题，我们提出了一种语义对齐学习与协同优化（SALCR）框架，该框架为每种模态强调的特定细粒度模式构建优化目标，从而实现不同模态标签分布的互补对齐。具体而言，我们首先引入双向关联与全局学习（DAGI）模块，以双向方式统一跨模态实例的伪标签。随后，执行细粒度语义对齐学习（FGSAL）模块，以探索各模态从跨模态实例中强调的部分级语义对齐模式。基于语义对齐特征及其对应的标签空间，我们制定了优化目标。为缓解噪声伪标签的副作用，我们提出全局-部分协同优化（GPCR）模块，动态挖掘全局和部分特征的可信正样本集，并优化实例间关系。大量实验证明了所提出方法的有效性，其性能优于现有最先进方法。代码已公开于https://github.com/FranklinLingfeng/code-for-SALCR。
Keyword:
USL-VI-ReID
Cross-modality
Fine-Grained
Semantic-Aligned
Collaborative Refinement
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID
OAAI
OAAI分享收藏Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)
PREAI
分享收藏
查看更多内容