DPM++：面向遮挡行人重识别的动态掩码度量学习
计算机视觉与模式识别
2026-05-08 v1
摘要
尽管行人重识别已取得显著进展，但由障碍物引起的遮挡在实际应用中仍是一个未解决的问题。其难点在于不完整的遮挡样本与整体身份表示之间的不匹配。严重遮挡去除了具有判别性的身体线索，并引入了来自背景杂乱和遮挡物的干扰，使得全局度量学习变得不可靠。现有方法主要依赖额外的预训练模型来估计可见部分以进行对齐，或通过数据增强构建遮挡样本，但仍缺乏一个在真实遮挡模式下学习鲁棒且可见性一致匹配的统一框架。本文提出了 DPM++，一个用于遮挡行人重识别的动态掩码度量学习框架。DPM++ 学习一种输入自适应的掩码度量，为每个遮挡实例动态选择可靠的身份子空间，使得匹配能够强调可见性一致的证据，同时抑制不可靠的成分。建立在分类器-原型空间之上，DPM++ 引入了一种基于 CLIP 的两阶段监督方案，其中 ID 级别的语义先验从文本分支中学习，并转移到分类器-原型空间以进行动态掩码匹配。为了增强掩码度量，我们引入了一种显著性引导的图像块转移策略，以在训练期间合成可控且逼真的遮挡样本。利用真实场景先验，该策略使模型暴露于真实的局部观测，并提供比随机擦除更丰富的监督。此外，遮挡感知的样本配对和掩码引导的优化提高了框架的稳定性和有效性。在遮挡和整体行人重识别基准上的实验表明，DPM++ 在整体和遮挡场景中均持续优于先前的 state-of-the-art 方法。
引用
@article{arxiv.2605.06637,
title = {DPM++: Dynamic Masked Metric Learning for Occluded Person Re-identification},
author = {Lei Tan and Yingshi Luan and Pincong Zou and Pingyang Dai and Liujuan Cao},
journal= {arXiv preprint arXiv:2605.06637},
year = {2026}
}