CycleTrans：为可见光-红外行人重识别学习中性且具判别性的特征
计算机视觉与模式识别
2022-08-23 v1
摘要
可见光-红外行人重识别(VI-ReID)是在可见光与红外模态间匹配同一人的任务。其主要挑战在于由不同光谱下工作的相机所导致的模态鸿沟。现有 VI-ReID 方法主要聚焦于学习跨模态的通用特征，常以牺牲特征判别性为代价。为解决此问题，我们提出一种基于循环构建的网络，用于中性且具判别性特征学习，称为 CycleTrans。具体而言，CycleTrans 使用轻量级知识捕获模块(KCM)根据伪查询从模态相关特征图中捕获丰富语义。随后，部署差异建模模块(DMM)依据模态无关原型将这些特征转换为中性特征。为确保特征判别性，进一步部署另外两个 KCM 用于特征循环构建。通过循环构建，我们的方法能为可见光与红外图像学习有效的中性特征，同时保留其显著语义。在 SYSU-MM01 与 RegDB 数据集上的大量实验验证了 CycleTrans 相较于众多最先进方法的优势，在 SYSU-MM01 上 rank-1 提升 +4.57%，在 RegDB 上 rank-1 提升 +2.2%。
引用
@article{arxiv.2208.09844,
title = {CycleTrans: Learning Neutral yet Discriminative Features for Visible-Infrared Person Re-Identification},
author = {Qiong Wu and Jiaer Xia and Pingyang Dai and Yiyi Zhou and Yongjian Wu and Rongrong Ji},
journal= {arXiv preprint arXiv:2208.09844},
year = {2022}
}