CM-NAS：面向可见光-红外行人重识别的跨模态神经架构搜索
计算机视觉与模式识别
2021-08-13 v3
摘要
可见光-红外行人重识别(VI-ReID)旨在匹配跨模态行人图像，突破单模态行人ReID在暗环境中的局限。为减轻巨大模态差异的影响，现有工作手动设计各种双流架构以分别学习模态特定与模态共享表示。然而，这种手动设计常规高度依赖大量实验与经验实践，耗时耗力。本文中，我们系统研究了手动设计的架构，并确认恰当地分离批归一化(BN)层是带来跨模态匹配大幅提升的关键。基于该观察，核心目标是为每个BN层找到最优分离方案。为此，我们提出一种称为跨模态神经架构搜索(CM-NAS)的新方法。它包含一个面向BN的搜索空间，其中可针对跨模态任务完成标准优化。配备搜索所得架构，我们的方法在两个基准上均优于最先进的同类方法，在SYSU-MM01上将Rank-1/mAP提升6.70%/6.13%，在RegDB上提升12.17%/11.23%。代码发布于 https://github.com/JDAI-CV/CM-NAS。
引用
@article{arxiv.2101.08467,
title = {CM-NAS: Cross-Modality Neural Architecture Search for Visible-Infrared Person Re-Identification},
author = {Chaoyou Fu and Yibo Hu and Xiang Wu and Hailin Shi and Tao Mei and Ran He},
journal= {arXiv preprint arXiv:2101.08467},
year = {2021}
}
备注
Accepted by ICCV 2021