RGB-IR

由于采用了跨模态检索技术，可见红外 (rgb-ir) 人员重新识别 (re-ID) 是通过将它们投影到一个公共空间来实现的，从而允许人员在24小时监视系统中重新识别。然而，关于探测到画廊，几乎所有现有的基于rgb-ir的跨模态人再识别方法都集中在图像到图像匹配上，而视频到视频匹配则包含更丰富的空间和时间信息仍未得到充分探索。本文主要研究了基于视频的跨模态人重识别方法。为了实现此任务，构建了基于视频的rgb-ir数据集，其中收集了具有12个RGB/IR摄像机捕获的463,259帧和21,863个轨迹的927有效身份。基于我们构建的数据集，我们证明了随着tracklet中帧的增加，性能确实满足了更多的增强，从而证明了在rgb-ir person-ID中视频到视频匹配的重要性。此外，还提出了一种新颖的方法，该方法不仅将两个模态投影到模态不变子空间，而且还提取了运动不变的时间记忆。得益于这两种策略，我们基于视频的跨模式人员Re-ID取得了更好的效果。代码和数据集发布于: https://github.com/VCMproject233/MITML

搜集汇总

背景与挑战

背景概述

RGB-IR 是一个视频跨模态行人重识别数据集，包含927个身份、46.3万帧图像和2.2万个轨迹，由12个RGB/IR摄像头采集。该数据集于2022年发布，旨在支持视频到视频匹配方法的研究与评估。