DDRN：一种用于遮挡人员重识别的数据分布重建网络
计算机视觉与模式识别
2024-10-10 v1
摘要
在遮挡人员重识别(ReID)任务中，严重遮挡会引入大量无关信息，阻碍对个体的准确识别。这些无关线索主要来自背景干扰和遮挡干扰，对最终的检索结果产生不利影响。传统的判别模型依赖于图像的特定内容和位置，往往在遮挡情况下容易误分类。为解决这些局限性，我们提出了数据分布重建网络(Data Distribution Reconstruction Network, DDRN)，这是一种生成模型，利用数据分布过滤掉无关细节，增强整体特征感知能力，减少无关特征的干扰。此外，严重遮挡导致特征空间的复杂性。为有效处理此问题，我们设计了通过提出的层次子中心Arcface (HS-Arcface) 损失函数实现的多中心方法。实验表明，在 Occluded-Duke 数据集上，我们实现了 mAP 为 62.4%（提升 1.1%）和 rank-1 准确率为 71.3%（提升 0.6%），显著优于最新的基于深度学习的方法(FRT)。
引用
@article{arxiv.2410.06600,
title = {DDRN:a Data Distribution Reconstruction Network for Occluded Person Re-Identification},
author = {Zhaoyong Wang and Yujie Liu and Mingyue Li and Wenxin Zhang and Zongmin Li},
journal= {arXiv preprint arXiv:2410.06600},
year = {2024}
}