为了使得视觉与学习领域相关从业者快速及时地了解领域的最新发展动态和前沿技术进展，VALSE最新推出了《论文速览》栏目，将在每周发布一至两篇顶会顶刊论文的录制视频，对单个前沿工作进行细致讲解。本期VALSE论文速览选取了来自四川大学的噪声关联学习方面的工作。该工作由彭玺教授指导，杨谋星同学录制。

论文题目：Learning with Twin Noisy Labels for Visible-Infrared Person Re-Identification

作者列表：杨谋星 (四川大学)，黄振宇 (四川大学)，胡鹏 (四川大学)，李太豪 (之江实验室)，吕建成 (四川大学)，彭玺 (四川大学)

B站观看网址：

https://www.bilibili.com/video/BV1bS4y1h7k3/

论文摘要：

本文揭示和研究了可见光-红外行人重识别 (VI-ReID)任务中的一个新问题，即孪生噪声标签 (Twin Noisy Labels，TNL)。简言之，给定行人的可见光 (或红外)相机照片，VI-ReID旨在从数据库匹配出该行人的红外 (或可见光)照片。一个流行的VI-ReID范式是利用行人标注提高不同行人间判别性，同时构建跨模态正负样本对并进行跨模态学习以缩减模态间鸿沟。由于红外模态下的识别度较差，行人训练数据中将不可避免地存在一些噪声标注 (Noisy Annotation，NA)。我们发现，这些NA将进一步导致所构建的跨模态正负样本呈现噪声关联 (Noisy Correspondence，NC)。换言之，VI-ReID任务将面临孪生噪声标签挑战。针对该挑战，本文提出了一种新的鲁棒VI-ReID方法，名为双重鲁棒训练 (DuAlly Robust Training，DART)，其首先利用神经网络的记忆效用来计算标注的置信度。基于置信度，DART将跨模态正负样本分为不同子集并进一步校正其中的关联。最后，DART利用所设计的双重鲁棒损失函数来实现对孪生噪声标签鲁棒的跨模态行人重识别。大量的实验验证了所提出方法对孪生噪声标签的鲁棒性。

论文信息：

[1] Mouxing Yang, Zhenyu Huang, Peng Hu, Taihao Li, Jiancheng Lv, Xi Peng*, Learning with Twin Noisy Labels for Visible-Infrared Person Re-Identification, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, LA. Jun. 19-25, 2022

论文链接：

[http://pengxi.me/publications/]

代码链接：

[https://github.com/XLearning-SCU/2022-CVPR-DART]

视频讲者简介：

杨谋星，四川大学计算机学院研究生，导师为彭玺教授，研究方向为多模态学习与噪声关联学习，目前已在CCF A类期刊和会议TPAMI、CVPR上发表论文。

特别鸣谢本次论文速览主要组织者：

月度轮值AC：文碧汉 (南洋理工大学)、杨文瀚 (南洋理工大学)

季度责任AC：魏秀参 (南京理工大学)

活动参与方式

1、VALSE每周举行的Webinar活动依托B站直播平台进行，欢迎在B站搜索VALSE_Webinar关注我们！

直播地址：

https://live.bilibili.com/22300737；

历史视频观看地址：

https://space.bilibili.com/562085182/ 

2、VALSE Webinar活动通常每周三晚上20:00进行，但偶尔会因为讲者时区问题略有调整，为方便您参加活动，请关注VALSE微信公众号：valse_wechat 或加入VALSE QQ R群，群号：137634472）；

*注：申请加入VALSE QQ群时需验证姓名、单位和身份，缺一不可。入群后，请实名，姓名身份单位。身份：学校及科研单位人员T；企业研发I；博士D；硕士M。

3、VALSE微信公众号一般会在每周四发布下一周Webinar报告的通知。

4、您也可以通过访问VALSE主页：http://valser.org/ 直接查看Webinar活动信息。Webinar报告的PPT（经讲者允许后），会在VALSE官网每期报告通知的最下方更新。