用于 RGB-红外行人重识别的双向指数角度三元组损失
计算机视觉与模式识别
2021-02-03 v5
摘要
RGB-红外行人重识别（RGB-IR Re-ID）是一个跨模态匹配问题，其中模态差异是一大挑战。现有多数工作使用基于欧氏度量的约束来解决不同模态图像特征间的差异。然而，这些方法无法学习到角度判别性的特征嵌入，因为欧氏距离不能有效度量嵌入向量间的夹角。由于角度判别性的特征空间对于基于嵌入向量对人像进行分类十分重要，本文提出一种新颖的排序损失函数，名为双向指数角度三元组损失（Bi-directional Exponential Angular Triplet Loss），通过显式约束嵌入向量间夹角，帮助学习角度可分离的公共特征空间。此外，为稳定并学习嵌入向量的模长，我们采用了公共空间批归一化层。在 SYSU-MM01 与 RegDB 数据集上的定量与定性实验支持了我们的分析。在 SYSU-MM01 数据集上，与基线相比，rank-1 准确率 / mAP 从 7.40% / 11.46% 提升至 38.57% / 38.61%。所提方法可泛化至单模态 Re-ID 任务，在 Market-1501 数据集上 rank-1 准确率 / mAP 从 92.0% / 81.7% 提升至 94.7% / 86.6%，在 DukeMTMC-reID 数据集上从 82.6% / 70.6% 提升至 87.6% / 77.1%。代码：https://github.com/prismformore/expAT
引用
@article{arxiv.2006.00878,
title = {Bi-directional Exponential Angular Triplet Loss for RGB-Infrared Person Re-Identification},
author = {Hanrong Ye and Hong Liu and Fanyang Meng and Xia Li},
journal= {arXiv preprint arXiv:2006.00878},
year = {2021}
}
备注
First Submission: April 2019. The final revision accepted by the IEEE Transactions on Image Processing in December 2020