Implicit Discriminative Knowledge Learning for Visible-Infrared Person Re-Identification

可见光红外人员再识别（VI-ReID）是一项具有挑战性的跨模态行人检索任务，由于不同摄像头之间存在显著的类内差异和跨模态差异。现有的研究主要集中于将不同模态的图像嵌入到统一的空间中，以挖掘模态共享的特征。他们只寻找这些共享特征中的独特信息，而忽略了隐含在模态特定特征中的具有身份感知的有用信息。为了解决这个问题，我们提出了一种新颖的隐式判别知识学习（IDKL）网络，以揭示和利用包含在模态特定中的隐式判别信息。首先，我们使用一种新颖的双流网络提取模态特定和模态共享特征。然后，模态特定特征经过净化处理，以减少其模态风格差异，同时保留身份感知的判别知识。随后，这种隐式知识被提炼到模态共享特征中，以增强其独特性。最后，提出一种对齐损失，以最小化增强的模态共享特征上的模态差异。多个公共数据集上的广泛实验表明，IDKL网络优于现有最先进方法。代码可在https://github.com/1KK077/IDKL上获得。

本论文解决的问题是可见-红外人员再识别（VI-ReID）任务中存在的跨模态差异和内部差异问题，以及现有方法忽略了模态特定特征中的身份信息。

论文提出了一种新颖的隐式判别知识学习（IDKL）网络，通过提取模态特定和模态共享特征，对模态特定特征进行净化以保留身份感知的判别知识，并将这种隐式知识融合到模态共享特征中，从而提高其可区分性。

论文使用了多个公共数据集进行了广泛的实验，并证明了IDKL网络在可见-红外人员再识别任务中的优越性。此外，论文还提供了开源代码。

在这个领域中，最近的相关研究包括：'Learning Discriminative Features with Multiple Granularities for Person Re-Identification'、'Visible Thermal Person Re-Identification via Dual-Constrained Top-Ranking'、'Adversarial Discriminative Heterogeneous Face Recognition'等。