跨模态行人重识别:Hetero-Center Loss for Cross-Modality Person Re-Identification
Hetero-Center Loss for Cross-Modality Person Re-Identification
目录
- Hetero-Center Loss for Cross-Modality Person Re-Identification
- Abstract
- 1、Introduction
- 2 、Our Approach
- 2.1、问题描述
- 2.2、异质中心损失(Hereo-Center Loss)
- 2.3、双流局部特征网络
- 3 、EXPERIMENTS
Abstract
跨模态行人重识别任务可以解决光照不佳环境中RGB单模态行人重识别的局限性。现有的研究主要集中在扩大特征之间的类间差异上,很少有研究调查如何提高类内跨模态特征相似性。
1)提出异质中心损失(HC loss),通过约束类内两个模态的中心距离,以减少类内跨模态变化。
2)提出了一种基于分块的简单高性能网络体系结构,在交叉熵(CE)和异质中心损失(HC)联合监督下,训练该网络以达到扩大类间差异,增强类内跨模态相似性的目的。
1、Introduction
除了HC loss以外,提出了一种双流局部特征网络(Two-Stream Local Feature Network,TSLFN),该框架通过学习局部特征表示以解决问题。框架分为两个独立的分支,以两种方式提取特征,每个分支都包含一个backbone,通过backbone输出特征图。采用传统的平均池化将特征图均匀地进行分块,以进行局部特征的提取。为了将不同模态的特征映射到统一的特征子空间内,对两个分支的全连接层使用共享权重。
2 、Our Approach
2.1、问题描述
传统的损失函数无法监督网络提取模态共享信息。例如CE loss:
交叉熵的目的是提取特定于身份的信息进行分类。但是损失函数不会约束网络有效地提取模态共享信息。因为某些模态特定信息也是引导网络正确预测身份的关键信息,例如:衣服的颜色等,但是在跨模态任务中,颜色信息并不存在于每个模态中,因此交叉熵loss无法完美实现目标。
上图显示了在CE loss监督下的典型特征分布,从图中可以看到CE loss帮助扩大行人类间差异。但是同一类行人内,不同模态下的特征分布存在巨大差距。
2.2、异质中心损失(Hereo-Center Loss)
直观地说,想限制每个类两个模态特征分布之间的距离,但是很难计算,因此取其两个模态特征分布的中心,惩罚中心距离。为此,提出了HC loss:
其中,
代表第i个人两个模态特征分布的中心。U代表行人类别总数。M和N分别表示第i类人中RGB和红外图像的数量。
理想情况下,当在每个epoch内,更新权重时,应该更新整个训练集中每个类中两种模态的中心。但是这需要大量的计算成本。所以,采用mini-batch策略,每次只在一个batch中更新中心。提出了一种改进的小批量采样策略:在每次迭代中,从训练集中随机选择L个身份,随机选择每个选定身份的T张RGB和T张红外图像以形成一个mini-batch,因此batch的大小为2xLxT。多次迭代过程中采用随机采样,故而mini-batch中的约束和全局约束具有同样的效果。
由于HC损失仅提高了类内跨模态相似性,无法学习判别特征以扩大类间差异。所以通过交叉熵和HC损失联合监督。总loss为:
超参数用来平衡两个损失函数的贡献。下图显示了不同权重超参数下的特征分布。
采用随机梯度下降优化方法(SGD)。
2.3、双流局部特征网络
基于RGB单模态行人重识别的一种经典方法,是将行人划分为水平块以提取局部特征,这些局部特征连接起来后代表全局特征。由于身体结构是行人的固有属性,所以可用于学习模态不变特征表示。为此,提出了双流局部特征网络(TSLFN),结构如下图,该网络包含两部分:特征提取器和特征嵌入。
A、特征提取器
采用双流网络分别提取RGB和红外图像的特定于模态信息。考虑到训练集数据有限,采取预训练的方式,backbone采用ResNet50,不同之处在于:删除了ResNet50中最后一个下采样操作,这样可以增强特征的细粒度表示。然后,将从backbone输出的特征图在水平方向上均匀地划分为p条,每个水平块即表示局部特征向量。之后采用全连接层减少每个局部特征向量的特征维数。为了弥合两个模态之间的特征差异,全连接层共享权重。
B、特征嵌入
特征嵌入的目的是监督网络学习可靠的特征表示,从而达到两个目的:扩大类间差异和提高类内跨模态相似性。对于HC loss,在计算损失之前,特征向量经过L2归一化。对于CE loss,将局部特征向量输入到分类器中,该分类器由FC层和softmax组成,需要使用独立的参数将p个局部特征向量输入到不同的分类器中,然后分类器分别预测每个特征向量的身份。
3 、EXPERIMENTS
在SYSU-MM01上与最新方法的对比实验:
消融实验以验证HC权重超参数取0.5的原因:
作者认为局部特征中模态共享信息不足,因此网络无法拉近两个模态中心,还可能会导致过拟合。
而小批次采样策略中T的选择,也经过消融实验对比。
最后附上论文链接,需要请自取:https://arxiv.org/ftp/arxiv/papers/1910/1910.09830.pdf
跨模态行人重识别:Hetero-Center Loss for Cross-Modality Person Re-Identification相关推荐
- 跨模态行人重识别:Hetero-Center Loss for Cross-Modality Person Re-Identification学习记录笔记
原文链接:https://www.sciencedirect.com/science/article/pii/S0925231219318156 目录 摘要 方法 CE loss Hetero-Cen ...
- 跨模态行人重识别研究综述
跨模态行人重识别研究综述 刘天瑜,刘正熙 摘要:传统的行人重识别主要工作集中在同一模态下的行人重识别上,大部分应用于光源充足的场景.随着视频安防监控要求的不断提升,为了克服可见光摄像头无法全天候进行使 ...
- 跨模态行人重识别:Deep Learning for Person Re-identification:A Survey and Outlook(行人重识别综述)
Deep Learning for Person Re-identification:A Survey and Outlook(行人重识别综述) 写在前面:感谢叶茫博士对AGW的开源,AGW非常适合刚 ...
- 可见光-红外的跨模态行人重识别最新研究成果汇总
目录 Introduction Challenges Advantages Methods [2020 AAAI] Cross-Modality Paired-Images Generation fo ...
- 今日 Paper | 跨模态行人重识别;对抗时尚迁移;学会注意错误等
2020-03-11 15:11:09 目录 跨模态行人重识别:共享与特异特征变换算法cm-SSFT GarmentGAN:具有图片真实感的对抗时尚迁移 学习将纹理从服装图像转移到3D人体 学会注意错 ...
- AAAI 2020 | XIV-ReID:基于X模态的跨模态行人重识别
©PaperWeekly 原创 · 作者|张晓涵 学校|西安交通大学本科生 研究方向|计算机视觉/行人重识别 论文标题:Infrared-Visible Cross-Modal Person Re-I ...
- CVPR2020 | 跨模态行人重识别:共享与特异特征变换算法cm-SSFT
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 编辑:Sophia 计算机视觉联盟 报道 | 公众号 CVLianMeng 转载于 :SuperMHP, htt ...
- 跨模态行人重识别:Cross-Modality Person Re-Identification viaModality-Aware CollaborativeEnsemble Learning学习笔记
基于模态感知的协同集成学习的跨模态行人重识别 简介 本文针对VT-Reid提出了一种基于中间层共享双流网络(MSTN)的模态感知协同集成(MACE)学习方法,该方法同时处理了特征层和分类器层的模态差 ...
- 基于RK3588+TensorFlow的人工智能跨模态行人重识别方法及应用
摘要: 跨模态行人重识别技术(cm-ReID)旨在可见光.红外等不同模态图像中识别出同一个人,其在人 机协同.万物互联.跨界融合.万物智能的智能系统与装备中有重要应用.提出一种数据增强的跨模态行人 重 ...
最新文章
- Windows API函数大全
- linux 删除o开头的文件,linux实现除了某个文件或某个文件夹以外的全部删除
- MatLab基础操作
- va_list 简介
- 基于MFC串口编程和曲线图绘制(visual studio2008,Teechart绘图控件)的程序总结
- 电脑鼠标自己乱跳乱点_无线鼠标VS有线鼠标,二者区别何在?你可知晓?不妨来了解一下...
- 使用约束控件创建界面
- 华为交换机不同网段互访_华为S5700系列交换机使用高级ACL限制不同网段的用户互访...
- 测试用例设计--判定表
- matlab实验函数编写与程序设计,matlab实验四函数编写与程序设计.doc
- Java多线程学习四十三:
- Windows API封装:LoadLibrary/FreeLibrary
- 网上银行等电子支付平台的WEB登陆安全性简要分析
- CPU /磁盘I/O /内存
- HTML+CSS+JS大作业:生态环境网站设计——环境保护主题-绿色环保 (9页) web期末作业设计网页_绿色环保大学生网页设计作业成品
- Windows10专业版系统“本地组策略编辑器”丢失解决方案
- 书中第十章货币实验Currencies App在openexchangerates.org上的开发者密钥
- Linux节点释放,关于linux:如何释放Inode的使用量?
- sd卡格式化怎么恢复?
- 一个账号可登录多个微信