Hi-CMD：用于可见光-红外行人重识别的分层跨模态解耦
计算机视觉与模式识别
2020-03-17 v3
摘要
可见光-红外行人重识别（VI-ReID）是夜间监控应用中的一项重要任务，因为在光照不足条件下可见光相机难以捕获有效的外观信息。与传统仅处理模态内差异的行人重识别相比，VI-ReID还受到由不同类型成像系统引起的额外跨模态差异的困扰。为同时减小模态内与跨模态差异，我们提出了一种分层跨模态解耦（Hi-CMD）方法，其自动从可见光-热成像图像中解耦出判别身份的因素与排除身份的因素。我们仅使用判别身份的因素进行鲁棒的跨模态匹配，而不使用诸如姿态或光照等排除身份的因素。为实现该方法，我们引入了保身份行人图像生成网络与分层特征学习模块。我们的生成网络通过生成具有不同姿态与光照且保持行人身份的新跨模态图像来学习解耦表示。同时，特征学习模块使我们的模型能显式提取可见光-红外图像间的公共判别身份特征。大量实验结果表明，我们的方法在两个VI-ReID数据集上优于当前最优（SOTA）方法。源代码见：https://github.com/bismex/HiCMD。
引用
@article{arxiv.1912.01230,
title = {Hi-CMD: Hierarchical Cross-Modality Disentanglement for Visible-Infrared Person Re-Identification},
author = {Seokeon Choi and Sumin Lee and Youngeun Kim and Taekyung Kim and Changick Kim},
journal= {arXiv preprint arXiv:1912.01230},
year = {2020}
}
备注
Accepted to CVPR 2020