Bi-Directional Center-Constrained Top-Ranking for Visible Thermal Person Re-Identification 本文发表于2020 TIPS,是Visible thermal person re-identification via dual-constrained top-ranking的改进版本。
当前的问题及概述: Motivation与Visible thermal person re-identification via dual-constrained top-ranking基本相似,指出除了由于相机规格的不同而造成的跨模态差异外,由于不同的相机环境和人体姿态等原因,使得VT-REID还存在着较大的跨模态和模内变化。 本文提出了一种新的具有双向双重约束网络来学习判别特征。它的特点有两个方面:1)端到端学习没有额外的度量学习步骤2)双约束同时处理跨模态和模态内的变化,保证特征的可识别性。3)提出了一种基于双向中心约束的top-ranking (eBDTR)算法,该算法将前两个约束条件转化为一个公式,同时保留了处理跨模态和模态内变化的特性。 模型及loss:
1.文章的框架同Visible thermal person re-identification via dual-constrained top-ranking一致,具体不过多赘述。Loss部分: 1)Ranking Loss Revisit: