摘要

本文专注于可见光-热红外跨模态行人重识别（VT Re-ID）任务，其目标是在白天的可见光模态和夜间的热红外模态之间匹配行人的图像。通常采用双流网络来解决VT Re-ID中最具挑战性的问题——跨模态差异，通过学习多模态行人特征来实现这一目标。在本文中，我们探讨了双流网络应该共享多少参数，这是现有文献中尚未充分研究的问题。通过对ResNet50模型进行合理拆分，构建特定模态的特征提取网络和共享模态的特征嵌入网络，我们实验性地展示了参数共享对VT Re-ID的影响。此外，在局部特征学习框架下，我们提出了一种基于异质中心的三元组损失函数，通过将锚点与其他所有样本的比较替换为锚点中心与其他所有中心的比较，从而放宽了传统三元组损失函数的严格约束。利用极其简单的手段，所提出的方法可以显著提高VT Re-ID的性能。在两个数据集上的实验结果表明，我们的方法明显优于现有的最先进方法，并且在RegDB数据集上取得了优异的表现，rank1/mAP/mINP分别为91.05%/83.28%/68.84%。该方法可以成为VT Re-ID的新基准，采用了一种简单而有效的策略。