通过不确定性特征融合方法与自动加权度量组合增强行人重识别
计算机视觉与模式识别
2025-05-06 v5
摘要
行人重识别是一项具有挑战性的任务，涉及在监控系统的不同摄像机视图中识别同一人。当前方法通常依赖于单一摄像机视图的特征，这在处理多个摄像机以及视角变化和遮挡等挑战时存在局限性。本文引入了一种新方法，通过不确定性特征融合方法（UFFM）和自动加权度量组合（AMC）来增强 ReID 模型的能力。UFFM 利用从多张图像中独立提取的特征生成多视图特征，以缓解视图偏差。然而，仅依赖基于多视图特征的相似度是有局限性的，因为这些特征忽略了单视图特征中包含的细节。因此，我们提出 AMC 方法，通过组合各种度量来生成更鲁棒的相似度度量。在行人重识别数据集上的评估表明，我们的方法显著提高了 Rank@1 准确率和平均精度均值。在具有挑战性的数据集上结合 BoT Baseline，我们取得了令人瞩目的结果，在 MSMT17 数据集上 Rank@1 提高了 7.9%，mAP 提高了 12.1%。在 Occluded-DukeMTMC 数据集上，我们的方法使 Rank@1 提高了 22.0%，mAP 提高了 18.4%。代码可用：https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC
引用
@article{arxiv.2405.01101,
title = {Enhancing person re-identification via Uncertainty Feature Fusion Method and Auto-weighted Measure Combination},
author = {Quang-Huy Che and Le-Chuong Nguyen and Duc-Tuan Luu and Vinh-Tiep Nguyen},
journal= {arXiv preprint arXiv:2405.01101},
year = {2025}
}