企业官网建设流程全解析

广州网站推广找哪家,那一个网站可以教做甜品的,网站制作钱,新沂做网站点击上方“小白学视觉”#xff0c;选择加星标或“置顶” 重磅干货#xff0c;第一时间送达在夜间安防监控场景中#xff0c;如何将红外相机捕捉的行人图像与可见光相机拍摄的同一目标进行精准匹配#xff0c;一直是计算机视觉领域的研究难点。近日#xff0c…点击上方“小白学视觉”选择加星标或“置顶” 重磅干货第一时间送达在夜间安防监控场景中如何将红外相机捕捉的行人图像与可见光相机拍摄的同一目标进行精准匹配一直是计算机视觉领域的研究难点。近日发表于TPAMI 2025的最新研究《基于离群值过滤的双级匹配用于无监督可见光-红外行人重识别》提出了创新性解决方案通过融合簇级与实例级匹配策略在无标注数据条件下实现了可媲美有监督方法的识别性能。论文信息题目 Dual-Level Matching With Outlier Filtering for Unsupervised Visible-Infrared Person Re-Identification基于离群值过滤的双级匹配用于无监督可见光-红外行人重识别作者Mang Ye, Zesen Wu, Bo Du研究背景与挑战可见光-红外行人重识别VI-ReID旨在跨模态检索相同身份的行人图像在智能监控与公共安全领域具有重要应用价值。传统方法高度依赖大规模标注数据而跨模态标签的获取成本极高严重限制了实际部署。现有无监督方法存在两大核心局限模态差异显著可见光图像包含丰富色彩信息红外图像仅反映温度分布两类数据的特征分布差异远大于类内差异图1a跨模态对应关系挖掘不足现有方法多依赖局部信息未能充分利用全局关系且难以处理簇数量不平衡问题图1b模态差异与匹配策略对比论文创新性地提出双级匹配框架通过全局与局部信息的有机融合有效解决了无监督跨模态匹配的核心难题。方法框架概述该研究构建了包含四个核心模块的完整解决方案整体架构如图3所示。框架以双对比学习DCL为基础通过渐进图匹配PGM和最近实例-簇搜索NICS构建双层匹配机制结合离群值过滤策略OFS和交替交叉对比学习ACCL实现模态不变特征的有效学习。方法总体结构图1. 双对比学习DCL作为基础模块DCL通过模态内对比学习构建初始特征表示。采用双流骨干网络提取特征其中浅层为模态特定层深层为共享层。通过ClusterNCE损失函数分别优化可见光、红外及增强图像的特征聚类建立模态内记忆库并动态更新为后续跨模态匹配奠定基础。2. 渐进图匹配PGM针对跨模态簇数量不平衡问题PGM将匹配过程建模为二分图优化问题图构建将两类模态的簇视为二分图节点簇间相似度作为边权重全局优化采用匈牙利算法最小化全局匹配成本生成初始匹配对渐进策略对未匹配簇动态重建子图并迭代匹配直至所有簇找到对应关系图4渐进图匹配流程该方法通过全局视角挖掘跨模态关系同时解决了簇数量不平衡导致的匹配不完整问题实验表明其匹配准确率随训练进程稳步提升。3. 最近实例-簇搜索NICS为弥补PGM在实例级匹配的局限性NICS从个体样本出发计算目标实例与所有跨模态样本的余弦相似度选取相似度最高的前K个样本以多数投票原则确定目标实例的跨模态簇标签如图2所示该策略有效缓解了错误聚类中噪声样本的影响尤其适用于簇内存在异类样本的场景在实例级匹配准确率上优于PGM。错误簇问题示意图4. 双级匹配与离群值过滤DLMOFS整合PGM的稳定性与NICS的精确性DLM通过双重约束过滤不可靠样本双层匹配一致性约束筛选PGM与NICS标签一致的样本类内一致性约束确保同一簇内样本的NICS标签多数一致不符合约束的离群值被排除在跨模态记忆更新之外有效避免噪声累积。实验证明该策略使匹配准确率提升约5-8个百分点。5. 交替交叉对比学习ACCL为减轻噪声对应关系的影响ACCL采用分阶段学习策略偶数轮次仅优化可见光到红外的映射V2R奇数轮次仅优化红外到可见光的映射R2V如图5所示这种交替机制避免了双向损失对错误匹配的强化使模型逐步建立可靠的跨模态关联相比传统交叉对比学习CCL具有更稳定的收敛特性。交替学习机制示意图实验验证与分析研究在SYSU-MM01和RegDB两大基准数据集上进行了全面评估主要结果如下1. 性能对比在SYSU-MM01全搜索模式下该方法实现62.15%的Rank-1准确率和58.42%的mAP超越所有现有无监督方法且接近部分有监督方法FMCNet、DART。在RegDB数据集上性能甚至超过部分有监督方法验证了跨模态对应关系挖掘的有效性。2. 消融实验如表4所示各模块贡献度分析表明PGM较基础匹配方法提升约7%NICS在实例级匹配上优于PGM约3%DLM结合两者优势较单一方法提升5-6%ACCL较传统CCL提升4%左右消融实验结果3. 匹配准确率动态分析图6显示DLM的匹配准确率始终高于单一PGM或NICS且随训练进程持续提升证明了双级匹配与离群值过滤的协同效应。匹配准确率曲线结论与意义该研究通过创新的双级匹配机制首次实现了无监督VI-ReID性能与有监督方法的接近其核心贡献在于提出PGM与NICS的双层匹配架构兼顾全局关系与局部精细度设计离群值过滤策略有效抑制噪声样本影响开发交替学习机制减轻错误对应关系的累积效应该方法无需任何跨模态标注显著降低了实际应用门槛为夜间安防、多模态监控等场景提供了切实可行的解决方案。未来研究可进一步探索动态场景下的鲁棒性提升及大规模部署优化。下载1OpenCV-Contrib扩展模块中文版教程 在「小白学视觉」公众号后台回复扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。 下载2Python视觉实战项目52讲 在「小白学视觉」公众号后台回复Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目助力快速学校计算机视觉。 下载3人工智能0基础学习攻略手册 在「小白学视觉」公众号后台回复攻略手册即可获取《从 0 入门人工智能学习攻略手册》文档包含视频课件、习题、电子书、代码、数据等人工智能学习相关资源可以下载离线学习。 交流群 欢迎加入公众号读者群一起和同行交流目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群以后会逐渐细分请扫描下面微信号加群备注”昵称学校/公司研究方向“例如”张三 上海交大 视觉SLAM“。请按照格式备注否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告否则会请出群谢谢理解~