基于多信息提示学习的换装人员重新识别
计算机视觉与模式识别
2025-01-16 v2
摘要
换装人员重新识别是更贴近现实世界的研究课题，旨在解决行人换装后进行人体重新识别的问题。该领域的主要挑战在于克服类内和类间变异之间的复杂相互作用，并识别不受外观变化影响的特征。 sufficient 数据收集对于解决此问题具有重要意义。然而，实际操作中收集多样化数据集具有一定挑战。当前方法侧重于从原始图像中隐式学习身份信息或引入额外的辅助模型，这些方法大大受限于图像质量和额外模型的性能。为此，受提示学习启发，我们提出了一种新型的多信息提示学习（MIPL）方案，用于换装人员 ReID，通过多条消息的通用提示指导学习身份稳健特征。具体地，设计了 clothing information stripping（CIS）模块，以解耦原 RGB 图像特征中的服装信息，以抵消服装外观的影响。提出了 Bio-guided attention（BGA）模块，以增加模型对关键信息的学习强度。采用双长度混合补丁（DHP）模块，使特征具有更广泛的覆盖范围，以最小化特征偏置的影响。大量实验表明，所提方法在 LTCC、Celeb-reID、Celeb-reID-light 和 CSCC 数据集上均优于所有最新方法，分别实现了 74.8%、73.3%、66.0% 和 88.1% 的 rank-1 分数。在与 AIM（CVPR23）、ACID（TIP23）和 SCNet（MM23）比较时，MIPL 在 PRCC 数据集上分别实现了 11.3%、13.8% 和 7.9% 的 rank-1 分数提升。
引用
@article{arxiv.2411.00330,
title = {Multiple Information Prompt Learning for Cloth-Changing Person Re-Identification},
author = {Shengxun Wei and Zan Gao and Chunjie Ma and Yibo Zhao and Weili Guan and Shengyong Chen},
journal= {arXiv preprint arXiv:2411.00330},
year = {2025}
}