CVPR2020行人重识别算法论文解读

最新推荐文章于 2022-05-06 13:48:04 发布

wujianming_110117

最新推荐文章于 2022-05-06 13:48:04 发布

阅读量2.2k

点赞数

分类专栏：开发平台&开发工具行人检测&行人重识别&姿态识别图像识别

吴建明

本文链接：https://blog.csdn.net/wujianing_110117/article/details/104854449

版权

本文介绍了CVPR2020中的一项研究，提出了一种新的跨模态特征转换算法——cm-SSFT，用于提升跨模态行人重识别的性能。通过共享和特定模态特征的转换，解决了以往仅关注共享特征学习的问题，尤其是在红外线-RGB重识别中的挑战。实验表明，cm-SSFT算法在主流数据集上的mAP提高了22.5% 和 19.3%。

摘要由CSDN通过智能技术生成

CVPR2020行人重识别算法论文解读

Cross-modalityPersonre-identiﬁcationwithShared-SpeciﬁcFeatureTransfer

具有特定共享特征变换的跨模态行人重识别

摘要：

跨模态行人重识别对智能视频分析是一个难点，而又关键的技术。过去的研究主要集中在，将嵌入式不同模态放到同一个特征空间中，来训练常用的表现形式。但是，仅仅训练这些常用的特性，意味着会丢失大量的信息，降低特征显著性的上限。

本文中，通过推荐一个新的特定跨模态特征转换算法（称为cm-SSFT），探测模态共享信息和特定模态特性来克服这个限制，提升重识别的性能。依据不同模态特征示例内容，在不同模态之间转换共享和特定特征。推荐辅助特征研究策略，包括模态适应性，目标对抗训练，重构增强性能，分别学习每种形态的区别性和互补性的共同特征和具体特征。整个cm-SSFT算法能用端到端方式训练。用综合实验验证真个算法的优势，以及各个环节的效果。这个算法在两个主流数据集上将mAP分别提高22.5% 和 19.3%。

关注的任务是红外线-RGB跨模态行人重识别。主要想解决的问题是：以往大部分跨模态行人重识别算法一般都只关注shared
feature learning，而很少关注Specific
feature。因为Specific
feature在对面模态中是不存在的。例如在红外线图片中是没有彩色颜色信息的。反之在彩图中也不会有热度信息。而实际上做过ReID的都知道，传统ReID之所以性能很高，很大程度上就是有些“过拟合”到了这些specific信息上。比如衣服颜色一直是传统ReID的一个重要的cue。于是从这个角度出发，想试图利用specific特征。主要思路是利用近邻信息。思路（motivation&#