面向跨模态行人重识别的异质中心损失
计算机视觉与模式识别
2019-10-23 v1 图像与视频处理
摘要
跨模态行人重识别是一项具有挑战性的任务，旨在红外模态的所有库图像中检索给定的 RGB 模态行人图像。该任务可解决基于 RGB 的行人重识别在暗光环境下的局限。现有研究主要聚焦于扩大特征的类间差异以解决该问题。然而，鲜有研究探讨提升类内跨模态相似性，而这对该问题至关重要。本文提出一种新颖的损失函数，称为异质中心损失（Hetero-Center loss，HC loss），以减小类内跨模态差异。具体而言，HC loss 通过约束两个异质模态间的类内中心距离，监督网络学习跨模态不变信息。在交叉熵（Cross-Entropy，CE）损失与 HC loss 的联合监督下，网络被训练以尽可能实现类间差异与类内跨模态相似性这两个关键目标。此外，我们提出了一种简单且高性能的网络架构来学习用于跨模态行人重识别的局部特征表示，可作为未来研究的基线。大量实验表明了所提方法的有效性，其大幅优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.1910.09830,
title = {Hetero-Center Loss for Cross-Modality Person Re-Identification},
author = {Yuanxin Zhu and Zhao Yang and Li Wang and Sai Zhao and Xiao Hu and Dapeng Tao},
journal= {arXiv preprint arXiv:1910.09830},
year = {2019}
}
备注
16 pages, 10 figures