身份引导的协同学习用于换装行人重识别
计算机视觉与模式识别
2023-11-20 v2
摘要
换装行人重识别（ReID）是一个新兴的研究课题，旨在解决因换装以及行人视角/姿态变化所导致的特征大幅变化问题。尽管通过引入额外信息（如人体轮廓勾勒信息、人体关键点以及三维人体信息）已取得显著进展，但由于行人表征易受干扰，换装行人 ReID 仍具挑战性。此外，人体语义信息与行人身份信息尚未被充分挖掘。为解决这些问题，我们提出一种新颖的身份引导协同学习方案（IGCL）用于换装行人 ReID，该方案充分利用人体语义，并以不变身份引导协同学习。首先，我们设计了一种新颖的衣物注意力退化流，通过采用衣物注意力与中层协同学习来合理降低衣物信息造成的干扰。其次，我们提出人体语义注意力与身体拼图流，以突出人体语义信息并模拟同一身份的不同姿态。由此，提取的特征不仅关注与背景无关的人体语义信息，也适应行人姿态变化。此外，进一步提出行人身份增强流，以增强身份重要性并提取更有利的身份鲁棒特征。最重要的是，所有这些流在端到端统一框架中联合优化，并以身份引导优化过程。在五个公开换装行人 ReID 数据集上的大量实验表明，所提出的 IGCL 显著优于 SOTA 方法，且提取的特征更具鲁棒性、判别力且与衣物无关。
引用
@article{arxiv.2304.04400,
title = {Identity-Guided Collaborative Learning for Cloth-Changing Person Reidentification},
author = {Zan Gao and Shenxun Wei and Weili Guan and Lei Zhu and Meng Wang and Shenyong Chen},
journal= {arXiv preprint arXiv:2304.04400},
year = {2023}
}