用于行人搜索的图库过滤网络

在行人搜索中，我们的目标是从一个场景中的查询行人在其他图库场景中定位该行人。该搜索操作的代价取决于图库场景的数量，因此减少可能场景的集合是有益的。我们描述并展示了图库过滤网络(GFN)，这是一种新颖的模块，可高效地从搜索过程中丢弃图库场景，并有利于对剩余场景中检测到的行人进行打分。我们通过对不同检索集（包括跨摄像头、遮挡和低分辨率场景）的测试，表明GFN在一系列不同条件下具有鲁棒性。此外，我们开发了基础的SeqNeXt行人搜索模型，其改进并简化了原始的SeqNet模型。我们表明，SeqNeXt+GFN组合在标准PRW和CUHK-SYSU行人搜索数据集上相较其他最先进方法取得了显著的性能提升。为促进本模型及其他模型的实验，我们提供了通常用于行人搜索研究的数据处理与评估流程的标准化工具。