Cross-Modality Person Re-Identification via Modality Confusion and Center Aggregation

分享人：吴剑兵
研究方向：行人重识别
论文题目：Cross-Modality Person Re-Identification via Modality Confusion and Center Aggregation
论文作者：Xin Hao, Sanyuan Zhao, Mang Ye, Jianbing Shen
作者单位：北京理工大学
论文摘要：由于较大的跨模态差异和模态内变化，跨模态人员重新识别是一项具有挑战性的任务。目前，大多数现有方法都侧重于通过使用身份监督或模态标签来学习特定于模态或模态可共享的特征。与现有方法不同，本文提出了一种新颖的模态混淆学习网络（MCLNet）。它的基本思想是混淆两种模态，确保优化明确地集中在与模态无关的角度。具体来说，MCLNet 旨在通过同时最小化模态间差异，同时最大化单个框架中实例之间的跨模态相似性来学习模态不变特征。此外，引入了身份感知边缘中心聚合策略来提取中心化特征，同时在边缘约束下保持多样性。最后，我们设计了一个相机感知学习方案来丰富可辨别性。在SYSU-MM01和RegDB数据集上进行的大量实验表明，MCLNet在很大程度上优于最先进的技术。在大规模的SYSU-MM01数据集上，我们的模型在Rank-1准确率和mAP值方面可以达到65.40%和61.98%。
原文链接：

点击此处