题目:Cross-modality Person re-identification with Shared-Specific Feature Transfer
作者:Yan Lu
一、研究动机
现有的方法大多是将不同模态的特征映射到同一个特征空间,但是这种方法会降低特征的鉴别性。
二、研究目标
提出“跨模态共享-特有特征转换算法”(cm-SSFT),来探究模态共享信息和模态特定特征的识别潜力。
(1)根据共享特征来建模不同模态样本之间的相似性。
(2)在模态内和模态间传输共享特征以及特定特征。
(3)提出互补特征学习策略(包含模态适应,映射对抗学习和重建增强),以学习每个模态的鉴别性、互补性的共享特征和特定特征。
三、技术路线
以往的方法会丢弃大量重要的特定特征,因为这些特征不能从其他模态中提取。因此,本文试图引入基于近邻相似性建模的特定模态特征,来有效利用每个样本的共享和特定信息。
-
Two-stream feature extractor
提取特征
分类损失约束
模态内、跨模态三元组损失约束
-
Shared-Specific Transfer Network
在共享特征和特定特征之间互相传递信息,增强特征的鲁棒性
(1)Affinity modeling
用共享特征计算跨模态样本相似性
用特定特征计算同模态样本相似性
K近邻选择
(2)Shared and specific information propagation
利用上述相似性矩阵传递信息
特征拼接
用图卷积进行特征传递-特征融合
特征转换
-
Shared and specific complementary learning
(1)Modality adaptation for shared features
增大损失,使共享特征模态无关
(2)Project adversarial learning for specific features
将特定特征映射到同一样本的共享特征中
增大损失,使特定特征与共享特征无关
(3)Reconstruction enhancement
为增强互补性,用解码器重建输入
(4)优化过程
优化过程包括两个子过程:
固定每个鉴别器,优化,令损失最小
固定除三个鉴别器之外的所有模块,优化,令损失最大
四、实验结果