论文：SFANet: A Spectrum-aware Feature Augmentation Network for Visible-Infrared Person Re-Identification（一个用于跨模态行人重识别的频谱感知特征增强网络）
1.创新点
中规中矩，拼拼凑凑的典型。本文的创新点在于拼凑了，将RGB图生成的灰度图和IR图一起训练，减小模态之间的差异也保留了原始RGB图的结构信息；计算ID损失的时候，将单FC层前新加了一个FC层和BN层，可以增加ID损失的效率；在ranking loss中设计了三种双向损失比较全面，跨模态损失，模态内损失，模态间损失。
2.网络框架
首先利用逐元素通道累加的方法，将给定RGB图像点对点转换为灰度图像，并通过简单的复制操作，将单通道图像扩展到三通道灰度图。将灰度图和IR图经过一个双流网络提取特征，池化后得到特征向量。一方面，特征向量经过双线性的FC层计算ID损失；另一方面，
（1）生成灰度光谱图像
给定一个RGB图像，对RGB图像的每个元素的三个通道进行累加，将得到的每个数值依次放到灰度图像中对应的像素位置上。每个像素的计算公式如下，α、β和δ的值分别为0.299、0.587和0.114。最后，通过简单的复制操作，将单通道图像扩展到三通道灰度图。生成的图像和IR图像风格相像而且保留了RGB图像的一些结构信息。
（2）双流共享网络
网络包括两个路径，灰度图路径和IR图路径。每个路径包括两个阶段，特定模态的特征提取（layer0和layer1）、共享模态共享的特征嵌入。resnet50作为backbone。
（3）带有批量标准化的双线性特征嵌入
IDE网络（identity embedding network）是ReID中一个基础的baseline，它的最后一层是全连接层，输出身份的预测。本文原始FC层之前增加了一个新的FC层和BN层。
-
双全连接层：添加了一个新的线性层（带有偏差项）来将不同模式的特征向量投影到一个更有区别的共同特征空间中。然后，利用最后一个线性层(没有偏差）以产生分类结果。这样，一个具有强先验偏差的全连接层以这种方式有助于身份损失。
-
BN层：通过批标准化，最后一个FC层的输入被转换成一种零均值和单位方差的形式，这有助于重新校准嵌入向量的通道。
计算交叉熵损失：
3.损失函数
作者提出了一个双向三约束损失，包括cross-modality top-push ranking loss, intra-modality top-push ranking loss and inter-modality top-push ranking loss三部分。均使用难挖掘三样本损失。
跨模态损失，anchor在一个模态，正负样本在零一个模态的双向三元组损失。
模态内损失，anchor和正负样本都在一个模态的双向三元组损失。
模态间损失，anchor和负样本在一个模态，正样本在另一个模态的双向三元组损失。
总损失：
实验指标
