计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月3日
]
标题: 基于视频的语言驱动的可见光-红外视频人再识别
标题: Video-Level Language-Driven Video-Based Visible-Infrared Person Re-Identification
摘要: 基于视频的可见光-红外行人再识别(VVI-ReID)旨在通过提取跨模态的序列级不变特征来匹配行人序列。作为一种高级语义表示,语言能够在红外和可见光两种模态下提供一致的行人特征描述。 利用对比语言图像预训练(CLIP)模型生成视频级语言提示,并指导跨模态序列级不变特征的学习在理论上是可行的。然而,生成和利用跨模态共享的视频级语言提示以解决模态差异的问题仍然是一个关键挑战。 为了解决这个问题,我们提出了一种简单而强大的框架——视频级语言驱动的VVI-ReID(VLD),该框架包括两个核心模块:不变模态语言提示(IMLP)和时空提示(STP)。 IMLP采用视觉编码器和提示学习器的联合微调策略,有效生成跨模态文本提示,并在CLIP的多模态空间中将其与不同模态的视觉特征对齐,从而减轻模态差异。 此外,STP通过两个子模块——时空中心(STH)和时空聚合(STA)来建模时空信息,进一步增强IMLP,将时空信息融入文本提示中。 STH在视觉变换器(ViT)各层的每帧[CLS]标记中聚集和扩散时空信息,而STA引入了专门的身份级损失和多头注意力机制,确保STH专注于身份相关的时空特征聚合。 VLD框架在两个VVI-ReID基准数据集上取得了最先进的结果。 代码将在https://github.com/Visuang/VLD发布。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.