生成对抗网络协同角度异构中心三元组损失的跨模态行人重识别OACSTPCD
Cross-Modal Person Re-Identification Based on Generative Adversarial Network Coordinated with Angle Based Heterogeneous Center Triplet Loss
基于红外与可见光域之间的跨模态行人重识别对于夜间场景监控极为重要,但由于红外图像和可见光图像的数据分布存在较大差异,使得模型很难提取到同一行人在不同模态下的模态不变特征.本文针对现有跨模态行人重识别算法中存在的数据集样本数量较少问题以及不同模态图像之间存在较大跨模态差异问题,提出了一种新颖的生成对抗网络来生成与原始图像相似的匹配图像,在对跨模态行人数据集进行增广的同时减少跨模态差异;为减少跨模态差异和模态内差异,本文采用了双流网络来提取更具鉴别性特征,并提出了角度异构中心三元组损失对正负样本在特征空间中夹角进行约束,提升其在特征空间中的聚类效果.本文在SYSU-MM01和RegDB数据集上进行实验验证,结果表明本文所提出的生成匹配图像方法能够有效降低不同模态图像之间的跨模态差异,同时角度异构中心三元组损失使得特征空间中的嵌入特征具有角度辨别性,从而提升模型的分类能力.在SYSU-MM01数据集中,本文方法相较于最新算法在Rank-1和mAP分别提升了5.71%和8.18%,证实了文中方法的有效性.
周非;舒浩峰;白梦林;王锦华
重庆邮电大学通信与信息工程学院,重庆 400065||泛在感知与互联重庆市重点实验室,重庆 400065重庆邮电大学通信与信息工程学院,重庆 400065重庆邮电大学通信与信息工程学院,重庆 400065重庆邮电大学通信与信息工程学院,重庆 400065
计算机与自动化
行人重识别跨模态生成对抗网络双流网络三元组损失
person re-identificationcross modalgenerative adversarial networktwo-stream networktriplet loss
《电子学报》 2023 (7)
1803-1811,9
国家自然科学基金(No.62271096) National Natural Science Foundation of China(No.62271096)
评论