1.介绍

这篇论文是Visible Thermal Person Re-Identification via Dual-Constrained Top-Ranking（IJCAI-18)论文发表会议后，投的一篇期刊。

作者这篇期刊论文在原先那篇会议论文的基础上改进了一部分，

主要是将原先的Bi-Directional Dual-Constrained Top-Ranking改进成为 Bi-Directional Center-Constrained T op-Ranking。

2.思想

2.1 之前的Bi-Directional Dual-Constrained Top-Ranking

是（anchor，positve），（anchor，negative）距离

损失函数有：

1.Cross-Modality Top-Ranking Constraint

2.Intra-Modality Top-Ranking Constraint

3.Identity Loss

总损失函数为：

2.2 Bi-Directional Center-Constrained T op-Ranking

改进后的双向中心约束损失是把2.1中的anchor和正负例的距离改为 center和正负例的距离

为什么要改为中心距离？

1.它降低了计算成本。对于具有K个可见图像和K个热图像的输入训练批次。如，双向双约束*损失要求计算成对距离2K^2 用于跨模态约束，2K^2 用于模态内约束。同时，选择排名靠前的样本需要四次排序操作。
相比之下，在每一步中，中心受限的*只需要计算样本和每个训练批次的中心之间的成对距离2K^2 。减小了一半。
2.它保留了处理跨通道和通道内变化的属性

一方面，双向中心约束损失比较确保了来自不同形式的人的身份是可区分的。（和triplet约束类似，拉近和推远相关距离）
另一方面，中心本身限制了来自rgb模态或ir模态的样本属于同一身份，这同时解决了模态内的变化。（因为中心本身就是rgb（ir）图片的中心位置，会把同一id的同模态数据往中心点靠近）

最后的总损失函数为：