探索更强的 Transformer 表示学习用于遮挡行人重识别
计算机视觉与模式识别
2024-10-24 v2
摘要
由于遮挡、姿态变化和多样化摄像机视角等复杂因素，提取更强的特征表示在行人重识别任务中仍具有挑战性。本文提出了一种新型的自监督与监督结合的基于 Transformer 的行人重识别框架，称为 SSSC-TransReID。不同于通用的基于 Transformer 的行人重识别模型，本文设计了自监督对比学习分支，可在无负样本或额外预训练的情况下增强行人重识别的特征表示。为训练对比学习分支，我们还提出了一种新型随机矩形掩码策略，以模拟真实场景中的遮挡，从而增强特征表示对遮挡的鲁棒性。最后，我们利用联合训练损失函数整合监督学习中带 ID 标签的优势与无负样本的自监督对比学习，以强化模型挖掘更具辨识力的特征，尤其是在遮挡场景下。广泛的实验结果表明，所提模型在多个基准数据集上 consistently 实现卓越的重识别性能，并在平均精度 (mAP) 和 Rank-1 精度方面显著优于最新方法。
引用
@article{arxiv.2410.15613,
title = {Exploring Stronger Transformer Representation Learning for Occluded Person Re-Identification},
author = {Zhangjian Ji and Donglin Cheng and Kai Feng},
journal= {arXiv preprint arXiv:2410.15613},
year = {2024}
}