Shape-Erased Feature Learning for Visible-Infrared Person Re-Identification

一、研究背景
1、红外图像与可见光图像之间存在的巨大视觉差异给模态共享特征的学习带来挑战。
2、体型信息是一种重要的模态共享特征。

二、研究动机
1、体型信息和与身份相关的模态共享信息有部分重叠。因此，目标特征可分为体型相关、体型无关的独立两部分。
2、模态共享的shape-related特征与shape-erased特征互相独立。

三、研究目标
抑制身份相关的体型语义，促进其他模态共享鉴别性特征的学习。

四、技术路线
提出shape-erased feature learning paradigm，在两个正交的子空间中显式量化$Z_{sr}^{(i)}$和$Z_{se}^{(i)}$，令$Z_{se}^{(i)}$在去除体型相关信息后仍可以用作身份判别，以此挖掘其他与体型无关的判别性特征。

1、在一个子空间中学习shape-related特征(体型相关)，在另一个正交的互补空间中学习shape-erased特征（体型无关），并实现shape-erased特征与身份特征的条件互信息最大化(即，给定条件$X^{(s)}$时，尽可能使$Z_{se}^{(i)}$推断出$Y$，使$X^{(s)}$与$Z_{se}^{(i)}$无关)。

2、由于去除了身份相关的体型信息，其他与体型无关的鉴别性信息会被进一步挖掘。

3、提出Shape-Guided dIverse fEature Learning (SGIEL) 对上述正交特征进行联合优化。

五、实验结果