本文提出了一种新的Visible-Infrared Person Re-Identification方法，通过同质增强三模态学习来减少RGB和IR图像之间的差距。模型利用3通道输入（RGB、灰度、IR）到共享权重的Res50网络学习共享特征，并设计了HHI损失和WTDR损失来优化模态间距离。实验表明，这种方法能有效改善跨模态特征学习，提高行人重识别性能。
Visible-Infrared Person Re-Identification via Homogeneous Augmented Tri-Modal Learning
简述：
现有的方法通常只学习了跨模态特征，而忽略了图像层次的差异。生成图像的思路目前有些方法采用GAN生成交叉模态图像，但会破坏局部结构并引入噪声。本文通过生成的RGB图像的灰度图作为辅助，以减少RGB与IR图像的large gap。
模型：
本文框架方面通过3个3通道（RGB，Gray，IR）的分别输入到共享权重的Res50学习共有特征，重点在loss上：
1.HHI loss：同质和异质分类损失
首先是个ID loss：
对RGB和灰度做smooth L1 loss:
1274
415
831
507
1820
1383
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
