学习紧凑且具有代表性的特征用于跨模态行人重识别
计算机视觉与模式识别
2022-02-10 v2
摘要
本文密切关注跨模态可见光-红外行人重识别（VI Re-ID）任务，其旨在匹配可见光与红外模态之间的行人样本。为减小不同相机样本间的模态差异，现有工作大多采用基于欧氏度量的约束。由于基于欧氏的距离度量策略无法有效度量嵌入向量间的夹角，现有方法难以学到具有角度判别性的特征嵌入。由于影响基于嵌入向量的分类任务的最重要因素在于是否存在角度判别性的特征空间，本文提出一种称为枚举角度三元组（EAT）损失的新损失函数。同时，受知识蒸馏启发，为在特征嵌入前缩小不同模态间特征差异，我们进一步提出一种新颖的跨模态知识蒸馏（CMKD）损失。得益于上述两点，所嵌入特征具有足够的判别性以应对模态差异问题。在RegDB与SYSU-MM01数据集上的实验结果表明，所提方法在令人印象深刻的性能方面优于其他最先进的方法。代码见 https://github.com/IVIPLab/LCCRF。
引用
@article{arxiv.2103.14210,
title = {Leaning Compact and Representative Features for Cross-Modality Person Re-Identification},
author = {Guangwei Gao and Hao Shao and Fei Wu and Meng Yang and Yi Yu},
journal= {arXiv preprint arXiv:2103.14210},
year = {2022}
}
备注
World Wide Web Journal, 20 pages, 6 figures