可见热人员重新识别的参数共享探索和异心三重损失

本文重点研究可见热交叉模态行人再识别（VT Re-ID）任务，其目标是在白天可见模态和夜间热模态之间匹配人像。 双流网络通常用于通过学习多模态人物特征来解决跨模态差异，这是 VT Re-ID 最具挑战性的问题。 在本文中，我们探讨了双流网络应该共享多少参数，这在现有文献中仍未得到很好的研究。 通过拆分 ResNet50 模型构建模态特定特征提取网络和模态共享特征嵌入网络，我们实验证明了双流网络参数共享对 VT Re-ID 的效果。 此外，在part-level person feature learning的框架中，我们提出hetero-centertriplet loss来放松传统triplet loss的严格约束，将anchor与所有其他样本的比较替换为anchor center与所有其他样本的比较。 中心。 通过极其简单的方法，所提出的方法可以显着提高 VT Re-ID 性能。 在两个数据集上的实验结果表明，我们提出的方法明显优于最先进的方法，特别是在 RegDB 数据集上实现了卓越的性能，rank1/mAP/mINP 91.05%/83.28%/68.84%。 它可以成为