以模态批归一化弥合可见光-红外行人重识别的分布鸿沟
计算机视觉与模式识别
2021-03-09 v1
摘要
可见光-红外跨模态行人重识别（VI-ReID）旨在匹配可见光与红外模态间的行人图像，是一项具有挑战性的跨模态图像检索任务。大多数现有工作将批归一化层集成到其神经网络中，但我们发现批归一化层会导致两类分布鸿沟：1）小批量间分布鸿沟——同一模态在各小批量间的分布鸿沟；2）小批量内模态分布鸿沟——同一小批量内不同模态间的分布鸿沟。为解决这些问题，我们提出了一种称为模态批归一化（MBN）的新批归一化层，其分别对每个模态子小批量而非整个小批量进行归一化，并能显著减小这些分布鸿沟。大量实验表明，我们的 MBN 能够提升 VI-ReID 模型的性能，即便使用不同数据集、主干网络与损失函数。
引用
@article{arxiv.2103.04778,
title = {Bridging the Distribution Gap of Visible-Infrared Person Re-identification with Modality Batch Normalization},
author = {Wenkang Li and Qi Ke and Wenbin Chen and Yicong Zhou},
journal= {arXiv preprint arXiv:2103.04778},
year = {2021}
}