hexs666的博客

论文链接：代码链接：参考文献。

在本文中，我们提出了一种新颖的动态双重注意力聚合（DDAG）学习方法，通过挖掘单模态的部分级和跨模态的图级上下文线索来解决VI-ReID问题。作为现有VI-ReID方法[7,49,50]中全局特征学习的替代方案，本小节提出了一种新颖的VI-ReID部分聚合特征学习方法，即单模态加权部分聚合（IWPA，如图3所示）。（1）提出了一种新颖的动态双重注意力聚合学习方法，旨在挖掘单模态部分和跨模态图级别的上下文信息，以促进可见光-红外行人重识别（VI-ReID）的特征学习。总共80epochs。

原文：Deep Learning for Person Re-identification: A Survey andOutlook里面提到新baseline在resnet50的基础上增加了一个Non-local Attention，主要是1x1的卷积核，详情可以找源论文观看以下是官方给的实现实验结果，sysu-mm01和regdb两个数据集可以网上找下载。

具体而言，我们首先将图像编码为一系列图像块，并通过一些关键改进构建了一个基于Transformer的强基线模型，该模型在多个ReID基准测试中与基于CNN的方法相比取得了有竞争力的结果。最终的TransReID框架在多个流行的行人/车辆ReID数据集上大幅超越了所有其他最先进的方法，展现了Transformer在ReID任务中的巨大潜力。：通过可学习的嵌入对边信息进行编码，如相机或视角信息，有效减轻了特征偏差，增强了模型对不同视角下同一物体的识别能力。图1-1 网络结构图。