用于遮挡行人重识别的整体引导

在现实世界的视频监控应用中，行人重识别（ReID）受到遮挡与检测误差的影响。尽管近期取得进展，遮挡仍持续破坏最先进 CNN 骨干网络提取的特征，从而降低 ReID 系统的准确率。为解决该问题，文献中的方法使用诸如姿态估计等额外的昂贵过程，其中姿态图提供监督以排除遮挡区域。相比之下，我们引入一种新颖的整体引导（HG）方法，仅依赖行人身份标签以及数据集的成对匹配距离分布来缓解遮挡问题，无需额外监督。因此，我们提出的学生-教师框架通过匹配遮挡样本与整体（无遮挡）样本的类间与类内距离（DCDs）分布进行训练以应对遮挡问题，从而将后者用作软标签参考来学习良好分离的 DCDs。我们的实证研究支持该方法：遮挡数据集中图像间类间与类内距离分布比整体数据集具有更多重叠。特别地，使用学生模型联合学习从两个数据集中提取的特征，以产生允许分离可见区域与遮挡区域的注意力图。除此之外，一个联合生成-判别骨干网络与去噪自编码器一同训练，使系统能从遮挡中自我恢复。在多个具挑战性的公开数据集上的大量实验表明，所提方法在遮挡与整体数据集上均能超越最先进的方法。