Hetero-Center Loss for Cross-Modality Person Re-Identification 当前的问题及概述: 目前所有的框架都在解决跨模态差异问题,很少有研究探讨改进类内跨模态相似性。 本文提出了一个新的损失函数,称为异中心损失(HC损失),以减少类内交叉模态的变化。具体来说,HC损失可以通过约束两个异质模态之间的类内中心距离来监督网络学习的跨模态不变信息。在交叉熵损失和HC损失的联合监督下,训练网络尽可能多地实现类间差异和类内交叉模态相似性这两个重要目标。 并且,本文提出一个简单且高性能的网路架构来学习跨模态人再辨识的局部特征表示。 模型及loss: 1.