面向泛化型 RGB-红外行人重识别的记忆调控与对齐
计算机视觉与模式识别
2025-04-29 v2
摘要
域偏移源于训练与测试集之间不可忽略的模态差异及不重叠的身份类别，是 RGB-红外行人重识别的一个主要问题。解决该固有问题——域偏移——的关键在于迫使两域的数据分布相似。然而，RGB-IR ReID 始终要求判别性特征，导致过度依赖可见类的特征敏感性，例如经由基于注意力的特征对齐或度量学习。因此，从预定义训练类预测未见查询类别可能不准确，并导致次优对抗梯度。本文中，我们以更具可解释性的方式揭示该问题，并提出一种新颖的多粒度记忆调控与对齐模块 (MG-MRA) 来解决此问题。通过显式地将从细粒度到粗语义粒度的潜变量属性融入中间特征，我们的方法可缓解模型对可见类判别性特征的过度自信。此外，不同于通过遍历最近邻匹配判别性特征，稀疏属性（即全局结构模式）被相对于特征重新收集，并分配用于度量哈希中成对图像相似度。在 RegDB \cite{RegDB} 和 SYSU-MM01 \cite{SYSU} 上的大量实验显示了所提方法的优越性，其优于现有 SOTA 方法。我们的代码见 https://github.com/Chenfeng1271/MGMRA。
引用
@article{arxiv.2109.08843,
title = {Memory Regulation and Alignment toward Generalizer RGB-Infrared Person},
author = {Feng Chen and Fei Wu and Qi Wu and Zhiguo Wan},
journal= {arXiv preprint arXiv:2109.08843},
year = {2025}
}
备注
This paper is withdrawn due to an internal decision among the authors to discontinue its publication