面向可见光-红外行人重识别的动态双注意力聚合学习
计算机视觉与模式识别
2020-07-21 v1
摘要
可见光-红外行人重识别（VI-ReID）是一个具有挑战性的跨模态行人检索问题。由于类内差异大、跨模态差异大且存在大量样本噪声，难以学习具有判别力的部件特征。现有的 VI-ReID 方法倾向于学习全局表示，其判别力有限且对噪声图像鲁棒性弱。本文中，我们提出了一种新颖的动态双注意力聚合（DDAG）学习方法，通过挖掘模态内部部件级和跨模态图级上下文线索用于 VI-ReID。我们提出模态内加权部件注意力模块，通过对部件关系挖掘施加领域知识来提取具有判别力的部件聚合特征。为增强对噪声样本的鲁棒性，我们引入跨模态图结构注意力，以跨两种模态的上下文关系强化表示。我们还开发了一种无参数的动态双聚合学习策略，以渐进联合训练方式自适应整合两个组件。大量实验表明，DDAG 在各种设置下均优于最先进的方法。
关键词
引用
@article{arxiv.2007.09314,
title = {Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification},
author = {Mang Ye and Jianbing Shen and David J. Crandall and Ling Shao and Jiebo Luo},
journal= {arXiv preprint arXiv:2007.09314},
year = {2020}
}
备注
Accepted by ECCV20