基于邻居的特征与索引增强技术用于行人重识别
计算机视觉与模式识别
2025-04-17 v1
摘要
行人重识别 (Re-ID)旨在匹配同一行人在大型图库中不同摄像机和视角下的图像。增强提取特征表示的鲁棒性是Re-ID中的主要挑战。现有方法通常通过改进模型架构来提升特征表示，但大多数方法忽略了潜在的上下文信息，这限制了特征表示和检索性能的效果。邻域信息，特别是多阶邻域的潜在信息，能够有效丰富特征表达并提高检索精度，但这在现有研究中尚未得到充分探索。因此，我们提出了一种新型模型DMON-ARO，通过利用潜在邻域信息来增强特征表示和索引性能。我们的方法由两个互补模块构建：动态多阶邻域建模 (DMON) 和非对称关系优化 (ARO)。DMON模块动态聚合多阶邻域关系，使其能够捕获更丰富的上下文信息，通过自适应邻域建模来增强特征表示。同时，ARO通过优化查询到画廊的关系来细化距离矩阵，提高索引精度。在三个基准数据集上的大量实验表明，我们的方法在基线模型之上实现了性能提升，说明了该模型的有效性。具体而言，本模型在Rank-1准确率和mAP上均实现了提升。此外，该方法也可以直接扩展到其他重识别任务。
引用
@article{arxiv.2504.11798,
title = {Neighbor-Based Feature and Index Enhancement for Person Re-Identification},
author = {Chao Yuan and Tianyi Zhang and Guanglin Niu},
journal= {arXiv preprint arXiv:2504.11798},
year = {2025}
}
备注
Comment: This paper has been accepted for publication in the 2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)