自留 3-《PartMix: Regularization Strategy to Learn Part Discovery for Visible-InfraredPerson Re-ident》

24/9/24

介绍：

针对基于部分的可见光-红外人重识别（VI-ReID）模型设计，这篇论文提出了一种新颖的数据增强技术，称为 PartMix，该技术通过混合不同模态下的部分描述符，生成增强样本，以提升基于部分的 VI-ReID 模型的性能。

（a） MIXUP方法处理：

全局图像混合方法，它通过将两张图像和它们对应的标签按一定比例进行线性混合。

全局图像混合指的是对整个图像进行混合处理，而不是仅仅针对图像的某个局部区域。这意味着在图像混合的过程中，整幅图像的像素值都会参与到混合中，从而生成新的图像。这种技术通常用于数据增强，旨在通过混合不同的样本来增加模型的鲁棒性和泛化能力。

以 MixUp 为例，全局图像混合的过程是对两张完整的图像进行像素级的线性组合。具体过程是：对于图像中的每个像素，它会被两个输入图像对应位置的像素值按一定比例混合，生成新的图像。这就叫“全局”混合，因为它覆盖了图像的每一个像素位置，而不是只处理某些特定的局部区域。

可能会产生不自然的模式，因为它对图像的所有像素进行平均处理，导致视觉效果失真，从而混淆模型的学习过程

（b） CUTMIX方法处理：

局部图像混合方法，它将一张图像的部分区域剪切出来，替换到另一张图像的相应区域中，而不是对整个图像进行混合。

（c） PARTMIX方法处理：

描述符混合。

Overview of PartMix-bas