低质量多光谱车辆重识别的协同增强网络
计算机视觉与模式识别
2025-04-22 v1
摘要
当可见光、近红外和热红外光谱中某些关键鉴别线索丢失时，多光谱车辆重识别（ReID）的性能会显著下降。现有方法通常以一种高质量的光谱（称为主光谱）生成或增强低质量光谱数据中的缺失细节，但如何确定主光谱是一个具有挑战性的问题。此外，当主光谱质量较低时，增强效果会大幅下降，从而限制了多光谱车辆ReID的性能。为解决这些问题，我们提出了协同增强网络（CoEN），该网络从所有光谱数据中生成高质量的代理，并利用其协同选择主光谱并协同增强所有光谱特征，以实现对低质量主光谱的鲁棒性。首先，为整合来自所有光谱数据的丰富线索，我们设计了代理生成器（PG）来逐步聚合多光谱特征。其次，我们设计了动态质量排序模块（DQSM），通过衡量其与代理的相关性来对所有光谱数据进行排序，以准确选择与代理关联性最高的主光谱。最后，我们设计了协同增强模块（CEM），通过协同主光谱和代理，有效补偿所有光谱的缺失内容，从而减轻低质量主光谱的影响。对三个基准数据集进行了大量实验，以验证所提出方法在其他多光谱车辆ReID方法中的有效性。代码将在https://github.com/yongqisun/CoEN上发布。
引用
@article{arxiv.2504.14877,
title = {Collaborative Enhancement Network for Low-quality Multi-spectral Vehicle Re-identification},
author = {Aihua Zheng and Yongqi Sun and Zi Wang and Chenglong Li and Jin Tang},
journal= {arXiv preprint arXiv:2504.14877},
year = {2025}
}