面向短期与长期行人重识别的解耦表征
计算机视觉与模式识别
2024-09-10 v1 人工智能
摘要
我们致力于解决行人重识别问题，即在给定感兴趣行人的查询图像的情况下，从大型数据集中检索行人图像。一个关键挑战是学习对类内变化具有鲁棒性的行人表征，因为不同的人可能具有相同的属性，并且人的外观看起来不同，例如由于视角的变化。最近的 reID 方法侧重于学习仅对特定变化因素（例如人体姿态）具有判别性的行人特征，这还需要相应的监督信号（例如姿态标注）。为了解决这个问题，我们提出将行人图像分解为与身份相关和无关的特征。与身份相关的特征包含用于指定特定行人（例如衣着）的有用信息，而与身份无关的特征包含其他因素（例如人体姿态）。为此，我们提出了一种新的生成对抗网络，称为身份洗牌 GAN（IS-GAN）。它通过一种身份洗牌技术，从行人图像中解耦出与身份相关和无关的特征，该技术仅利用识别标签而无需任何辅助监督信号。我们限制与身份无关特征的分布，或鼓励与身份相关和无关的特征不相关，从而促进解耦过程。实验结果验证了 IS-GAN 的有效性，在标准 reID 基准测试（包括 Market-1501、CUHK03 和 DukeMTMC-reID）上展现出 SOTA 性能。我们进一步展示了解耦行人表征在长期 reID 任务上的优势，在 Celeb-reID 数据集上创造了新的 SOTA。
引用
@article{arxiv.2409.05277,
title = {Disentangled Representations for Short-Term and Long-Term Person Re-Identification},
author = {Chanho Eom and Wonkyung Lee and Geon Lee and Bumsub Ham},
journal= {arXiv preprint arXiv:2409.05277},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:1910.12003