DROP：针对遮挡行人重识别的任务特定特征解耦重识别与人体解析
计算机视觉与模式识别
2024-02-01 v1
摘要
本文介绍了针对遮挡行人重识别（ReID）的解耦重识别与人体解析（DROP）方法。与使用全局特征同时进行ReID和人体解析多任务学习，或依赖语义信息进行注意力引导的主流方法不同，DROP认为前者性能较差的原因在于ReID和人体解析特征所需的粒度不同。ReID关注行人部件之间的实例级部件差异，而人体解析则侧重于反映人体内部结构的语义空间上下文。为解决此问题，DROP解耦了用于ReID和人体解析的特征，提出了保留细节的上采样方法以组合不同分辨率的特征图。用于人体解析的特定解析特征被解耦，并且人体位置信息仅被添加到人体解析分支中。在ReID分支中，引入了一种部件感知紧凑性损失以增强实例级部件差异。实验结果突显了DROP的有效性，特别是在Occluded-Duke数据集上达到了76.8%的Rank-1准确率，超越了两种主流方法。代码库可在https://github.com/shuguang-52/DROP获取。
引用
@article{arxiv.2401.18032,
title = {DROP: Decouple Re-Identification and Human Parsing with Task-specific Features for Occluded Person Re-identification},
author = {Shuguang Dou and Xiangyang Jiang and Yuanpeng Tu and Junyao Gao and Zefan Qu and Qingsong Zhao and Cairong Zhao},
journal= {arXiv preprint arXiv:2401.18032},
year = {2024}
}