论文阅读23 | A feature learning framework for cross-modality person re-identification

该文章提出了一种新的损失函数——Hardpentapletloss,它基于难挖掘的五元组样本,用于跨模态行人重识别任务。在每个批次中,选取样本作为anchor,然后分别确定全局正样本、全局负样本、跨模态正样本和跨模态负样本来构建三元组损失。网络框架采用单模态ReID模型,并通过复制IR图像通道以适应RGB模型。实验表明,这种方法在SYSU-MM01数据集上取得了较好的性能,最佳模型rank1达到41.36%。整个框架包括特征提取、难样本挖掘和HPI损失学习三个部分。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这篇文章主要的贡献在于提出了一种难挖掘的五元组损失,其实是由两个难挖掘三元组损失组成。每一批读入P个ID,每个ID有K张RGB和K张IR,依次选择每个样本作为anchor。

对于一个anchor,从两个模态相同ID的样本中选择距离最远的作为全局正样本,从两个模态不同ID的样本中选择距离最近的作为全局负样本,构成三元组损失Lhgt。从另一模态相同ID样本中距离最远的作为跨模态正样本,从另一模态不同ID样本中选择距离最近的作为跨模态负样本,加上anchor构成三元组损失Lhct。值得注意的是:对于一个anchor,它的全局正样本和跨模态正样本可能是相同的,全局负样本和跨模态负样本可能是相同的。

最终计算这两种损失的和形成五元组损失Hard pentaplet loss,加上ID损失,构成总损失。公式:

三元组损失Lhgt:在这里插入图片描述)
三元组损失Lhct:
在这里插入图片描述)
五元组损失Hard pentaplet loss:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值