Bi-Directional Center-Constrained Top-Ranking for Visible Thermal Person Re-Identification（TIFS 2019

1.介绍

这篇论文是Visible Thermal Person Re-Identification via Dual-Constrained Top-Ranking（IJCAI-18)论文发表会议后，投的一篇期刊。

作者这篇期刊论文在原先那篇会议论文的基础上改进了一部分，

主要是将原先的Bi-Directional Dual-Constrained Top-Ranking改进成为 Bi-Directional Center-Constrained T op-Ranking。

2.思想

2.1 之前的Bi-Directional Dual-Constrained Top-Ranking

是（anchor，positve），（anchor，negative）距离

损失函数有：

1.Cross-Modality Top-Ranking Constraint

2.Intra-Modality Top-Ranking Constraint

3.Identity Loss

总损失函数为：

2.2 Bi-Directional Center-Constrained T op-Ranking

改进后的双向中心约束损失是把2.1中的anchor和正负例的距离改为 center和正负例的距离

为什么要改为中心距离？

1.它降低了计算成本。对于具有K个可见图像和K个热图像的输入训练批次。如，双向双约束顶级损失要求计算成对距离2K^2 用于跨模态约束，2K^2 用于模态内约束。同时，选择排名靠前的样本需要四次排序操作。
相比之下，在每一步中，中心受限的顶级只需要计算样本和每个训练批次的中心之间的成对距离2K^2 。减小了一半。
2.它保留了处理跨通道和通道内变化的属性

一方面，双向中心约束损失比较确保了来自不同形式的人的身份是可区分的。（和triplet约束类似，拉近和推远相关距离）
另一方面，中心本身限制了来自rgb模态或ir模态的样本属于同一身份，这同时解决了模态内的变化。（因为中心本身就是rgb（ir）图片的中心位置，会把同一id的同模态数据往中心点靠近）

最后的总损失函数为：

标签：模态,Ranking,Center,Directional,Top,Bi,Constrained
来源： https://www.cnblogs.com/A-A1/p/13970876.html