跨模态行人重识别：Visible Thermal Person Re-Identification via Dual-Constrained Top-Ranking学习记录笔记

目录

摘要

介绍

方法

网络结构

双重约束顶级损失

实验

结果

---

 原文链接：Visible Thermal Person Re-Identification via Dual-Constrained Top-Ranking​​​​​​​

 

---

摘要

1) 直接从数据中进行端到端特征学习，无需额外的度量学习步骤，学习不变的共享特征，同时保持VT-REID的高可分辨性。

2) 引入了一种新的双向双约束顶级损失，它同时处理跨模态和模态内变化，以确保学习表示的可辨别性,可以将不同的人从两种异质模式中区分开来。

介绍

        双路径网络来学习VT-REID的特征表示，其中包含RGB路径和IR路径。具体来说，浅层的参数独立于提取特定于模态的信息，从而解决了由不同传感器光谱引起的跨模态差异问题。然后，进一步利用共享的全连接层来学习嵌入空间。 由不同的人类姿势和观点引起的较大的模态内变化,因此，大量的类内距离可能甚至大于类间距离.