论文阅读18 | Neural Feature Search for RGB-Infrared Person Re-Identification

论文：Neural Feature Search for RGB-Infrared Person Re-Identification（RGB-IR 行人重新识别的神经特征搜索）

出处：CVPR2021

1. abstract

作者研究了一种一般的范式，称为神经特征搜索(NFS)，可以自动地进行特征选择。具体地说，NFS结合了双层特征搜索空间和可微搜索策略，在粗粒度通道和细粒度空间像素中联合选择与身份相关的线索。这种组合允许NFS自适应地过滤背景噪声，并以 data-driven的方式集中于人体的信息部分。此外，跨模态对比优化方案进一步指导NFS搜索最小化模态差异，最大化类间距离的特征。

2. motivation

RGB-IR ReID遭受可见图像和红外图像之间的视觉差异，这使外观线索（如颜色和纹理）对于匹配的任务来说并不可靠，甚至具有误导性；另外，由于不同的摄像机视觉、人的姿势、部分遮挡和背景杂乱而引起的较大类内变化，这使得对齐同一身份的图像变得更加困难。现存的两种方法：

• cross-modality image synthesis methods： 为了最小化模态差距，跨模态图像合成方法，通常利用生成对抗网络(GANs)在模态之间传递风格属性，合成假的RGB/红外图像。但是，由于在红外图像中缺乏颜色信息，生成的RGB图像要想保留身份信息是很不平凡的。
• shared feature learning approaches： 利用卷积神经网络(CNNs)进行跨模态特征对齐。一个有代表性的选择模型是双流网络，它包括特定模式的浅层和共享的深层。基于双流结构，一些研究利用了ReID的判别约束，例如使用 triplet loss 和 ranking loss来监督网络挖掘与身份相关的特征。他们都致力于学习一个更好的距离度量，以提高基于相似度的检索的性能，并在近年来取得了显著的成功。

不管哪种方法，ReID的关键始终是找到足够高质量的鉴别特征来进行匹配和检索。目前最先进的方法通常会引入 partition stripes（分区条纹）、 human landmarks（人体关键点）、 parsing maps和 body contour sketches（身体轮廓草图），以防止不相关的特征，保留与身份相关的特征。然而，手动设计的特征选择模块是非常困难和耗时的，这导致了不令人满意的性能。

自动机器学习(AutoML)的最新进展可能会提供一个积极的答案。Quan等人使用神经体系结构搜索(NAS)，会自动生成快速而有效的CNNs，其性能与单模态ReID任务中手工制作的架构相当。 这一进展激发了本文所讨论的由神经元驱动的自动特征选择的想法。

Neural Architecture Search
近年来，神经结构搜索(NAS)研究在各个领域取得了相当大的成功，如图像分类、语义分割、目标检测，ReID，多模态融合等。一般来说，NAS的目标是自动搜索特定学习任务的最优操作或拓扑。他们首先构建一个面向任务的搜索空间，以定义原则上可以发现哪些架构。基于搜索空间，使用不同的搜索策略（包括基于强化学习的方法、进化方法、基于梯度的方法和MCTS方法），有效地提高样本效率和模型性能。

3. contribution

作者将特征选择转换为二层优化问题，即从最佳特征学习结果中推导出最优特征子集，并提出了一种新的范式，神经特征搜索。

• 提出了一种基于自动机器学习驱动的神经特征搜索方法，自动进行特征选择，减少人为干扰。

• NFS包括一个双层特征搜索空间，其中每个特征图都根据像素和通道维度进行分解，这允许以相互强化的方式共同执行特征选择操作。通道级搜索，可以从全局视角识别相关的响应图；像素级搜索，扫描每个空间位置，有选择地处理一个人的局部部分特征。

• 为了提高搜索效率，利用重新参数化技巧（reparameterization tricks）来放松搜索空间以保持连续性，这使得搜索神经元的优化与随机梯度下降（SGD）相一致。考虑到RGB-IR ReID固有的模态差异问题，进一步引入了一种跨模态对比优化方案作为监督信号。

4. methodology

模型的整体框架：

4.1 baseline

为了捕获模态不变的信息，第一个卷积块的参数对于每个模态都是独立的，而其他层则被共享以学习鉴别特征。在具有全局平均池的最后一个卷积层之后，使用共享的批处理归一化层来获得异构图像的最终表示。 使用在ImageNet上预训练的ResNet-50作为backbone。在训练阶段，我们的目标是尽量减少以下损失函数：Lb = Lid + Ltri 其中，Lid是交叉熵损失，Ltri是加权正则化的三元组损失(WRT)。

4.2 modality-aware neural feature search

NFS从基于CNN的特征空间中搜索与身份相关的特征。作者将自动特征搜索转换为一个超参数学习任务，其中搜索超参数和网络权值被联合优化，以推导出最优的鉴别特征子集。它可以被表述为一个二层优化问题：

给定输出特征图Y，我们寻找一个特征y∈Y的子集，它可以在优化网络权重W后最小化损失L(y,W)。在这里，强调了解决这个问题的两个关键点：一个双层特征搜索空间和一个有效的搜索算法。

① Dual-level Feature Search Space

搜索空间定义了可能发现的神经结构，它在高性能NAS中起着至关重要的作用。同样地，NFS也与设计一个良好的特征搜索空间密切相关，搜索空间应该尽可能多的覆盖与身份相关的线索。

由于鉴别特征主要由baseline的共享部分提取，因此我们建立了一个搜索空间，包括由每个共享卷积块block提取的所有候选特征。更正式地说，共享块L以一个特征图X∈R Cin×W×H作为输入，并输出另一个细粒度的特征图YL∈R Cout×W/2×H/2，即

p表示特定的像素位置，Rk是大小为k的核的支持区域，Wc∈RCin×Cout×k×k代表卷积权重，YL的并集形成了普通的特征空间Y={YL|L∈{1，…，N}}，而N是block的块数。

因为判别性特征在YL的空间维度和通道维度中呈现出特定模态的分布，我们引入了模态感知搜索单元，将原始特征空间Y分解为两个子空间，像素级子空间和深度级子空间。前者包括在每个空间位置的向量，可以描述一个输入图像的局部部分。后者包含多个检测器响应图，可以全局地反映图像的特殊属性。

模态感知搜索单元的工作原理：

• 给定输出特征图YL，首先初始化一组具有均匀分布的参数PmL，以将特征从模态m映射到一个特定的概率场。至于像素级的特征搜索，PmL∈RCout×W/2×H/2，覆盖了空间域中的每个像素。对于深度级搜索，PmL∈RCout包含YL的所有通道。
• 在搜索过程中，概率场由一个sigmoid函数激活，表示为P˜mL=σ(PmL)，去指示在相应位置的特征的可能性可以区分不同的人。
• 然后，基于P˜mL生成一个二进制搜索门GmL( p)，以确定是否应选择位置p处的像素。YL通过所有搜索门，输出激活图Y˜L可以表示为：

此时，二层优化问题转化为一个将所有搜索门Gm作为上层变量，将网络权值W转化为下层变量的优化问题。其中，Ltrain和Lval表示训练损失和验证损失。

② Search Algorithm

由于搜索空间是离散的和大规模的，因此通过枚举法来寻找最优特征集的效率很低。为了解决这一障碍，文章利用重新参数化技巧放松搜索空间以保持连续性，并通过SGD直接提高搜索效率。我们假设特征选择本质上是一个二元分类问题，因此利用连续伯努利分布来模拟随机离散采样，其中与P˜m∈（0,1）。基于Gm，采样特征Xm为：

松弛后，Gm和W可以使用直通估计器(STE)联合优化：

最后，优化问题可以使用以下神经特征搜索来求解。我们首先通过迭代优化带有Ltrain的W，和带有Lval的Gm，来搜索身份相关的特征；在获得最优搜索门后，按照标准的特征学习范式对整个网络进行训练和评估。

我们首先使所有的搜索单元都可学习，以发现最优的判别特征集。在获得最优特征集后，我们在原始训练集上对网络进行了重新训练。

4.3 cross-modality contrastive optimization

除了搜索效率之外，如何监督搜索单元来选择更多信息的特征也很重要。RGB和红外图像之间的外观差异往往会增大每个类的特征分布方差。我们打算从一个不变的特征选择的角度来减少特征分布的方差，这个基本思想来自于在对比学习方面的最新进展，它旨在吸引正对，同时排斥负对。给定一个训练批B其中一半是RGB图像Irgb，而其他的是与RGB对应的IR图像。

我们随机地把IRGB和IIR，分成跨模态的图像对(IRGB, IIR)，并且根据身份生成该图像对的label，具体的：

对于每一个正图像对，我们寻求最小化它们之间的距离，从而共同消除模态差异和类内差异。在欧几里得空间中计算图像对之间的距离。

相反，对于负对，我们的目标是它们彼此远离。为了明确地实现优化目标，我们使用带有margin T来量化图像对之间的距离：

综合考虑正对和负对，可得：

NFS的整体学习目标是对baseline损失和跨模态对比损失的加权求和：L = Lb + λLc

5. comparison with state-of-the-art methods