Buchumschlag

A CLIP-based Uncertainty Modal Modeling (UMM) Framework for Pedestrian Re-Identification in Autonomous Driving

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jialin, Wu, Shuqi, Wang, Ning
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Modality Unified Attack for Omni-Modality Person Re-Identification
von: Bian, Yuan, et al.
Veröffentlicht: (2025)

Application of Vision-Language Model to Pedestrians Behavior and Scene Understanding in Autonomous Driving
von: Gao, Haoxiang, et al.
Veröffentlicht: (2025)

SCaRL- A Synthetic Multi-Modal Dataset for Autonomous Driving
von: Ramesh, Avinash Nittur, et al.
Veröffentlicht: (2024)

A Safety-Adapted Loss for Pedestrian Detection in Automated Driving
von: Lyssenko, Maria, et al.
Veröffentlicht: (2024)

RMT-PPAD: Real-time Multi-task Learning for Panoptic Perception in Autonomous Driving
von: Wang, Jiayuan, et al.
Veröffentlicht: (2025)

Gating Syn-to-Real Knowledge for Pedestrian Crossing Prediction in Safe Driving
von: Bai, Jie, et al.
Veröffentlicht: (2024)

Multi-Modal Sensor Fusion using Hybrid Attention for Autonomous Driving
von: Mayank, Mayank, et al.
Veröffentlicht: (2026)

Attention Deep Model with Multi-Scale Deep Supervision for Person Re-Identification
von: Wu, Di, et al.
Veröffentlicht: (2019)

A Survey for Foundation Models in Autonomous Driving
von: Gao, Haoxiang, et al.
Veröffentlicht: (2024)

Group-CLIP Uncertainty Modeling for Group Re-Identification
von: Zhang, Qingxin, et al.
Veröffentlicht: (2025)

The ATLAS of Traffic Lights: A Reliable Perception Framework for Autonomous Driving
von: Polley, Rupert, et al.
Veröffentlicht: (2025)

Beyond Pedestrians: Caption-Guided CLIP Framework for High-Difficulty Video-based Person Re-Identification
von: Hamano, Shogo, et al.
Veröffentlicht: (2026)

CountCLIP -- [Re] Teaching CLIP to Count to Ten
von: Mestha, Harshvardhan, et al.
Veröffentlicht: (2024)

Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving
von: Kong, Lingdong, et al.
Veröffentlicht: (2024)

An Individual Identity-Driven Framework for Animal Re-Identification
von: Wu, Yihao, et al.
Veröffentlicht: (2024)

Generative Adversarial Patches for Physical Attacks on Cross-Modal Pedestrian Re-Identification
von: Su, Yue, et al.
Veröffentlicht: (2024)

SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds for Autonomous Driving
von: Cortinhal, Tiago, et al.
Veröffentlicht: (2020)

World Model-Based End-to-End Scene Generation for Accident Anticipation in Autonomous Driving
von: Guan, Yanchen, et al.
Veröffentlicht: (2025)

MetaWild: A Multimodal Dataset for Animal Re-Identification with Environmental Metadata
von: Li, Yuzhuo, et al.
Veröffentlicht: (2025)

PFM-VEPAR: Prompting Foundation Models for RGB-Event Camera based Pedestrian Attribute Recognition
von: Xu, Minghe, et al.
Veröffentlicht: (2026)

Mind the Gap: Preserving and Compensating for the Modality Gap in CLIP-Based Continual Learning
von: Huang, Linlan, et al.
Veröffentlicht: (2025)

Panoptic Perception for Autonomous Driving: A Survey
von: Li, Yunge, et al.
Veröffentlicht: (2024)

When Person Re-Identification Meets Event Camera: A Benchmark Dataset and An Attribute-guided Re-Identification Framework
von: Wang, Xiao, et al.
Veröffentlicht: (2025)

Breaking the Limits of Open-Weight CLIP: An Optimization Framework for Self-supervised Fine-tuning of CLIP
von: Mehta, Anant, et al.
Veröffentlicht: (2026)

Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting
von: Tang, Bohan, et al.
Veröffentlicht: (2022)

A Flow-based Credibility Metric for Safety-critical Pedestrian Detection
von: Lyssenko, Maria, et al.
Veröffentlicht: (2024)

Universal Camouflage Attack on Vision-Language Models for Autonomous Driving
von: Kong, Dehong, et al.
Veröffentlicht: (2025)

Learning Informative Attention Weights for Person Re-Identification
von: Wang, Yancheng, et al.
Veröffentlicht: (2025)

MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training
von: Vasu, Pavan Kumar Anasosalu, et al.
Veröffentlicht: (2023)

Toward Modality Gap: Vision Prototype Learning for Weakly-supervised Semantic Segmentation with CLIP
von: Xu, Zhongxing, et al.
Veröffentlicht: (2024)

Embedding Compression for Efficient Re-Identification
von: McDermott, Luke
Veröffentlicht: (2024)

MoP-CLIP: A Mixture of Prompt-Tuned CLIP Models for Domain Incremental Learning
von: Nicolas, Julien, et al.
Veröffentlicht: (2023)

External Knowledge Injection for CLIP-Based Class-Incremental Learning
von: Zhou, Da-Wei, et al.
Veröffentlicht: (2025)

Bridging Modalities via Progressive Re-alignment for Multimodal Test-Time Adaptation
von: Li, Jiacheng, et al.
Veröffentlicht: (2025)

Road Boundary Detection Using 4D mmWave Radar for Autonomous Driving
von: Wu, Yuyan, et al.
Veröffentlicht: (2025)

UGG-ReID: Uncertainty-Guided Graph Model for Multi-Modal Object Re-Identification
von: Wan, Xixi, et al.
Veröffentlicht: (2025)

AutoTrust: Benchmarking Trustworthiness in Large Vision Language Models for Autonomous Driving
von: Xing, Shuo, et al.
Veröffentlicht: (2024)

SECURE: Stable Early Collision Understanding via Robust Embeddings in Autonomous Driving
von: Wang, Wenjing, et al.
Veröffentlicht: (2026)

Exploiting T-norms for Deep Learning in Autonomous Driving
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2024)

From Parameter to Representation: A Closed-Form Approach for Controllable Model Merging
von: Wu, Jialin, et al.
Veröffentlicht: (2025)