开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第3天，点击查看活动详情

论文--Mouxing Yang, Zhenyu Huang, Peng Hu,et.al. Learning with Twin Noisy Labels for Visible-Infrared Person Re-Identification, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, LA. Jun. 19-25, 2022.

摘要

本文研究了可见光红外行人重识别(VI-ReID)中的一个非接触问题，称为双噪声标签(TNL)，即噪声标注和通信。简而言之，一方面，由于数据采集和标注的复杂性，如红外模式下的可识别性差，不可避免地会对一些行人进行错误的身份标注。另一方面，在单一模态中注释错误的数据最终会污染跨模态通信，从而导致噪声通信。为了解决TNL问题，本文提出了一种新的鲁棒VI-ReID方法，称为双鲁棒训练(DART)。简而言之，DART首先利用深度神经网络的记忆效应计算注释的干净置信度。然后，该方法根据估计的置信度修正噪声对应关系，并进一步将数据分成四组供进一步利用。最后，DART采用了一种新的双鲁棒损失，包括软身份损失和自适应四元组损失，以实现对噪声标注和噪声通信的鲁棒性。

贡献

l 提出了VI-ReID的一个新问题，称为双噪声标签（TNL），这可能是一个新的范式的噪声标签。与现有的噪声标签研究只考虑NA问题不同，TNL既指类别中的NA，也指跨模态对之间伴随的NC。

l 为了实现鲁棒的VI-ReID，提出了一种新的TNL学习方法，称为双鲁棒训练。

l 在SYSU-MM01和RegDB数据集上的广泛实验，与五种最先进的方法相比，验证了方法对双噪声标签的有效性。

方法

给定可见/红外查询set,旨在匹配来自红外/可见图库中的相同的图像。现有方法为先构造跨模态正负对。 同时采用三元组损失和身份损失来缓解模态差异。但正负样本对容易被错误建立

实验

解读

本文是面向红外-可见行人重识别的文章。本文的阅读难度较大，建议下载英文原文进行详细阅读。