基于改进困难三元组损失的跨模态行人重识别框架

为了提升跨模态行人重识别算法的识别精度,提出了一种基于改进困难三元组损失的特征学习框架。首先,改进了传统困难三元组损失,使其转换为全局三元组损失。其次,基于跨模态行人重识别中存在模态间变化及模态内变化的问题,设计了模态间三元组损失及模态内三元组损失,以配合全局三元组损失进行模型训练。在改进困难三元组损失的基础上,首次在跨模态行人重识别模型中设计属性特征来提高模型的特征提取能力。最后,针对跨模态行人重识别中出现的类别失衡问题,首次将Focal Loss用于替代传统交叉熵损失来进行模型训练。相比现有算法,在RegDB数据集实验中,所提框架在各项指标中均有1.9%~6.4%的提升。另外,通过消融实验证明了3种方法均能提升模型的特征提取能力。