Spectral Enhancement and Pseudo-Anchor Guidance for Infrared-Visible Person Re-Identification

要約

深層学習の発展により、インテリジェント セキュリティにおける個人再識別 (ReID) テクノロジーの適用が容易になりました。
可視赤外線人物再識別 (VI-ReID) は、赤外線および可視モダリティ画像全体で歩行者を照合することを目的としており、24 時間の監視を可能にします。
しかし、現在の研究は、赤外線画像と可視画像の間のスペクトルの違いを埋めるために教師なしモダリティ変換と非効率な埋め込み制約に依存していますが、潜在的なパフォーマンスが制限されています。
上記のアプローチの限界に対処するために、この文書では、SEPG-Net と呼ばれる、シンプルだが効果的なスペクトル拡張および疑似アンカー ガイダンス ネットワークを紹介します。
具体的には、非効率なモダリティ変換によって通常引き起こされる情報損失を回避する、周波数領域情報とグレースケール空間に基づいた、より均一なスペクトル強調スキームを提案します。
さらに、擬似アンカー誘導双方向アグリゲーション (PABA) 損失が導入され、識別アイデンティティの埋め込みをより適切に保存しながら、ローカル モダリティの不一致を橋渡しします。
2 つの公開ベンチマーク データセットでの実験結果は、他の最先端の方法に対して SEPG-Net の優れたパフォーマンスを示しています。
コードは https://github.com/1024AILab/ReID-SEPG で入手できます。

要約(オリジナル)

The development of deep learning has facilitated the application of person re-identification (ReID) technology in intelligent security. Visible-infrared person re-identification (VI-ReID) aims to match pedestrians across infrared and visible modality images enabling 24-hour surveillance. Current studies relying on unsupervised modality transformations as well as inefficient embedding constraints to bridge the spectral differences between infrared and visible images, however, limit their potential performance. To tackle the limitations of the above approaches, this paper introduces a simple yet effective Spectral Enhancement and Pseudo-anchor Guidance Network, named SEPG-Net. Specifically, we propose a more homogeneous spectral enhancement scheme based on frequency domain information and greyscale space, which avoids the information loss typically caused by inefficient modality transformations. Further, a Pseudo Anchor-guided Bidirectional Aggregation (PABA) loss is introduced to bridge local modality discrepancies while better preserving discriminative identity embeddings. Experimental results on two public benchmark datasets demonstrate the superior performance of SEPG-Net against other state-of-the-art methods. The code is available at https://github.com/1024AILab/ReID-SEPG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google