学习解耦场景用于行人重识别
计算机视觉与模式识别
2022-03-01 v2
摘要
行人重识别(ReID)任务中存在许多具有挑战性的问题，如遮挡和尺度变化。现有工作通常尝试使用单分支网络来解决它们。这种单分支网络需要对各种挑战性问题具有鲁棒性，这使得该网络负担过重。本文提出对 ReID 任务进行分而治之。为此，我们采用若干自监督操作来模拟不同的挑战性问题，并使用不同的网络处理每个挑战性问题。具体而言，我们使用随机擦除操作并提出了一种新颖的随机缩放操作，以生成具有可控特征的新图像。引入了一个包含一支主分支和两支从分支的通用多分支网络来处理不同场景。这些分支协同学习并获得不同的感知能力。通过这种方式，ReID 任务中的复杂场景被有效解耦，各分支的负担得以减轻。大量实验的结果表明，所提方法在三个 ReID 基准和两个遮挡 ReID 基准上取得了最先进的性能。消融研究也表明，所提方案和操作显著提升了各种场景下的性能。代码可在 https://git.openi.org.cn/zangxh/LDS.git 获取。
引用
@article{arxiv.2111.05476,
title = {Learning to Disentangle Scenes for Person Re-identification},
author = {Xianghao Zang and Ge Li and Wei Gao and Xiujun Shu},
journal= {arXiv preprint arXiv:2111.05476},
year = {2022}
}
备注
Preprint Version; Accepted by Image and Vision Computing