这个部分包含了19篇cross-module ReID 和1篇人脸识别的paper及阅读笔记，从2017-2020目前能找到的所有的跨模态RdID 文章，方便大家使用

SYSU-MM01是一个流行的跨模态ReID数据集，其中包括来自4个可见光摄像机和2个红外摄像机的491个行人。 训练集包含19,659幅可见图像和395人的12,792幅红外图像，测试集包含96人。 有两种测试模式，即全搜索模式和室内搜索模式。 对于全搜索模式，将使用所有图像。 对于室内搜索模式，仅使用来自第一，第二，第三和第六个摄像机的室内图像。 对于这两种模式，均采用单张和多张设置，其中随机选择1或10个人的图像以形成gallery。 两种模式都将红外图像用作query，将可见图像用作ga

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。