Tag · 2 篇

重识别

分布视觉语言模型1视频理解与时序1

Illuminating Visual Identity in Universal Multimodal Embeddings

提出身份感知采样机制，在通用多模态嵌入中联合优化视觉身份表示，可直接用于实例检索、重识别和生成内容身份保持等视觉任务。

AR2-4FV: Anchored Referring and Re-identification for Long-Term Grounding in Fixed-View Videos

把固定视角视频中静态背景结构蒸馏成离线锚框库，作为文本查询对齐的持久语义记忆，可在目标长时间离场后重新捕获；这种「背景即记忆」的思路可迁移到长时视频目标跟踪与语言引导定位中，缓解逐帧指代漂移与重识别不可靠的问题。