通过多域学习的协作增强网络实现夜间行人重识别

主流的夜间行人重识别（ReID）方法通常以顺序方式结合图像重光照和ReID网络。然而，它们的性能（识别准确率）受到重光照图像质量以及图像重光照与ReID任务之间协作不足的限制。为了解决这些问题，我们提出了一种新颖的协作增强网络CENet，它在并行框架中执行多级特征交互，用于夜间行人重识别。特别地，CENet设计的并行结构不仅可以避免重光照图像质量对ReID性能的影响，而且允许我们挖掘图像重光照与行人重识别任务之间的协作关系。为此，我们在CENet中集成了多级特征交互，首先共享Transformer编码器以构建低级特征交互，然后执行特征蒸馏，将高级特征从图像重光照转移到ReID，从而减轻夜间场景造成的严重图像退化问题，同时避免重光照图像的影响。此外，现有真实世界夜间行人重识别数据集的规模有限，而大规模合成数据集与真实世界数据存在显著的域差距。为了同时利用小规模真实世界和大规模合成训练数据，我们开发了一种多域学习算法，该算法交替使用两种类型的数据以减少训练过程中的域间差异。在两个真实夜间数据集\textit{Night600}和\textit{RGBNT201$_{rgb}$}以及一个合成夜间ReID数据集上进行了大量实验，验证了CENet的有效性。我们在以下网址发布了代码和合成数据集：\hyperlink{https://github.com/Alexadlu/CENet}{https://github.com/Alexadlu/CENet}。