面向 RGB-红外行人重识别的多尺度级联紧凑特征学习网络
计算机视觉与模式识别
2020-12-15 v1
摘要
RGB-红外行人重识别（RGB-IR Re-ID）旨在匹配由可见光与热成像相机所拍摄的异质图像中的行人，在弱光条件下的监控系统中具有重要意义。面对包含常规单模态差异与额外跨模态差异的复杂变化所带来的巨大挑战，现有大多数 RGB-IR Re-ID 方法提出在图像级、特征级或二者混合级别施加约束。尽管混合约束性能更优，其通常借助沉重的网络架构实现。事实上，以往的探索更多作为新跨模态 Re-ID 领域的开创性工作，仍留有较大改进空间。这主要归因于：（1）缺乏来自不同模态的充足行人图像对用于训练，以及（2）显著模态不变特征的匮乏，尤其在用于有效匹配的粗粒度表征上。为解决这些问题，本文提出一种新颖的多尺度部件感知级联框架（MSPAC），通过级联方式从部件到全局聚合多尺度细粒度特征，从而得到包含丰富增强语义特征的统一表征。此外，引入边际指数中心（MeCen）损失以联合消除来自模态内与模态间样本的混杂差异。由此可在显著特征上高效探索跨模态关联，实现有判别力的模态不变特征学习。大量实验表明，所提方法大幅优于所有现有最优方法。
引用
@article{arxiv.2012.06843,
title = {Multi-Scale Cascading Network with Compact Feature Learning for RGB-Infrared Person Re-Identification},
author = {Can Zhang and Hong Liu and Wei Guo and Mang Ye},
journal= {arXiv preprint arXiv:2012.06843},
year = {2020}
}
备注
8 pages, 5 figures, ICPR2020 conference