©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
我们关注的任务是红外(infrared)-可见光(visible)跨模态行人重识别(IV-ReID)。此任务难点在于可见光图像与红外图像之间显著的 gap,因此,我们引入了一个辅助的 X modality,并将 infrared-visible 双模态任务重新表述为 X-Infrared-Visible 三模态学习任务,即 XIV 学习框架。
该框架由两个主要部分组成:一个是通过自监督学习生成 X 模态的轻量型 X 模态生成器,一个是权重共享的 XIV 跨模态特征学习器,并设计了跨模态的约束。
轻量级 X 模态生成器以可见光图像作为输入,网络包括两个 1×1 的卷积层和一个 ReLU 激活层,将可见光图像转换为单通道图像,然后重构成三通道图像。第一个 1×1 的卷积层将原始的三通道可见光图像映射为单通道图像,之后传入 ReLU 激活层,然后使用另一个 1×1 的卷积层将单通道图像映射为三通道的 X 模态图像。
2.5 优化
实验
3.1 实验设置
▲表1.RegDB和SYSU-MM01数据集上与当前最佳IV-ReID方法比较
▲图3.SYSU-MM01和RegDB的训练集上,一幅图像中所有像素的平均单颜色通道的强度直方图
本文研究了跨模态行人重识别问题。为了减少红外线和可见光图像之间固有的模态差异,我们提出了一个新的 X-红外线-可见光(XIV)跨模态学习框架。
具体地,我们设计了一个轻量级的生成器来从可见光图像和红外图像中吸取知识,并输出 X 模态图像;在此基础上,提出了一种基于权值共享的深度特征学习器,以联合的方式提取跨模态特征和分类输出。
中文文字:张晓涵、洪晓鹏
文章引用 bibtex 如下:
@inproceedings{xiv_reid20,
author={Li, Diangang and Wei, Xing and Hong, Xiaopeng and Gong, Yihong},
title={Infrared-Visible Cross-Modal Person Re-Identification with an X Modality},
booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
month = {February},
year={2020}
}
若对文中方法感兴趣,欢迎致信:
洪晓鹏老师 hongxiaopeng@mail.xjtu.edu.cn
和魏星老师 xingxjtu@gmail.com
更多阅读
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学习心得或技术干货。我们的目的只有一个,让知识真正流动起来。
📝 来稿标准:
• 稿件确系个人原创作品,来稿需注明作者个人信息(姓名+学校/工作单位+学历/职位+研究方向)
• 如果文章并非首发,请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发,均会添加“原创”标志
📬 投稿邮箱:
• 投稿邮箱:hr@paperweekly.site
• 所有文章配图,请单独在附件中发送
• 请留下即时联系方式(微信或手机),以便我们在编辑发布时和作者沟通
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。