利用全局、局部身体部位和头部流增强长期行人重识别

本工作致力于解决长期行人重识别任务。通常，行人重识别假设人们不更换衣物，这将其应用限制在短期场景中。为了克服这一局限性，我们研究了长期行人重识别，其同时考虑了换衣和未换衣场景。在本文中，我们提出了一种新颖的框架，能够有效学习并利用全局和局部信息。所提出的框架由三个流组成：全局流、局部身体部位流和头部流。全局流和头部流分别从整张图像和裁剪的头部区域图像中编码与身份相关的信息。这两个流利用对抗擦除、最大池化和平均池化的组合，编码最显著、较不显著和平均特征。局部身体部位流提取每个身体部位的与身份相关的信息，使其能够与另一图像中的同一身体部位进行比较。由于重识别数据集中没有身体部位标注，我们使用聚类生成伪标签。这些标签随后用于训练局部身体部位流中的身体部位分割头。所提出的框架通过反向传播身份分类损失、基于对的损失和伪身体部位分割损失的加权和进行训练。为了证明所提方法的有效性，我们在三个公开数据集（Celeb-reID、PRCC 和 VC-Clothes）上进行了实验。实验结果表明，所提方法优于之前的最先进方法。