探索用于换衣行人重识别的细粒度表示与重组

换衣行人重识别(Re-ID)是一项极具挑战性的任务，受到判别性特征较弱和训练样本有限两方面的制约。现有方法主要利用辅助信息来促进与身份相关的特征学习，包括形状或步态的软生物特征，以及服装的额外标注。然而，这些信息在真实应用场景中可能并不可用。本文提出一种新颖的细粒度表示与重组(FIne-grained Representation and Recomposition, FIRe$^{2}$)框架，在无需任何辅助标注或数据的情况下应对上述两个局限。具体而言，我们首先设计细粒度特征挖掘(Fine-grained Feature Mining, FFM)模块，对每个人的图像分别进行聚类。具有相似所谓细粒度属性（如服装和视角）的图像被鼓励聚在一起。引入属性感知分类损失，基于聚类标签进行细粒度学习，这些标签在不同人之间不共享，从而促使模型学习与身份相关的特征。此外，为充分利用细粒度属性，我们提出细粒度属性重组(Fine-grained Attribute Recomposition, FAR)模块，通过在隐空间中重组具有不同属性的图像特征。其显著增强了鲁棒的特征学习。大量实验表明，FIRe$^{2}$在五个广泛使用的换衣行人重识别基准上取得了最先进的性能。代码已发布于 https://github.com/QizaoWang/FIRe-CCReID。