2019 AAAI之ReID：HSME: Hypersphere Manifold Embedding for Visible Thermal Person Re-Identificatio

HSME: Hypersphere Manifold Embedding for Visible Thermal Person Re-Identificatio

本文最大的亮点是将人脸识别中设计的Sphere softmax loss函数迁移到ReID中，即SphereReID。

目前的问题：
目前的方法多采用分类和度量学习相结合的方法来训练模型，以获得具有鉴别性和鲁棒性的特征表示。然而，这种方式忽略了分类子空间和特征嵌入子空间之间的相关性。
基于此，提出了一种具有分类和识别约束的端到端双流超球面流形嵌入网络(HSMEnet)。同时，我们设计了一个获得去相关特征的两阶段训练方案，我们将去相关的HSME称为D-HSME。
网络框架及loss：
1.HSME network：

它包括两个部分:特征学习部分用于提取可共享的特征表征，度量学习部分用于匹配。分别输入RGB图和热图，经过CNN，FC,BN层分别提取特征，绿色部分的共享共享将之前提取的特征转换为嵌入空间，L2归一化后，共享特征映射到超球面流形上，其中，在度量学习中，两样本间的差异仅取决于角度。然后利用identity loss 和 ranking loss对模型进行约束，使其具有识别性。此外，还采用 KL散度来衡量两个领域预测的匹配性。p1和p2是两个域图像的预测概率。最后，通过单矢量分解(SVD)方法对Sphere Softmax最大值权矩阵进行了修正，获得了low level的特征。我们将特征相关的HSME网络称为D-HSME网络。
2.Feature Learning：
有specific layer 和shared layer组成，其中specific layer分别提取visible和thermal图像的特征，两个支路的网络结构大致相似，且backbone为alexNet，参数单独优化，输出给shared layer，权值共享，进一步提取特征，转换为共享嵌入空间。
3. Metric Learning Part：
将深度特征表示映射到超球面流形上，训练模型学习超球面上的分类和识别问题。这样，深层特征对匹配问题具有更强的诊断性和鲁棒性。这部分是HSME的关键，包括超球面流形嵌入（Hypersphere Man