PGGANet：用于行人重识别的姿态引导图注意力网络

行人重识别(reID)旨在从由不同摄像头捕获的图像中检索行人。对于基于深度学习的reID方法，已证明将局部特征与全局特征结合有助于为行人检索提供鲁棒表征。人体姿态信息可提供人体骨架的位置，有效引导网络更多地关注这些关键区域，并有助于减少来自背景或遮挡的噪声干扰。然而，以往基于姿态的工作所提出的方法可能未能充分利用姿态信息的优势，且极少考虑不同局部特征各自的贡献。本文提出一种姿态引导图注意力网络，这是一种多分支架构，由一个全局特征分支、一个中粒度身体特征分支和一个细粒度关键点特征分支组成。我们使用预训练的姿态估计器生成关键点热图用于局部特征学习，并精心设计图注意力卷积层，通过建模相似关系重新分配所提取局部特征的贡献权重。实验结果证明了我们的方法在判别性特征学习上的有效性，并且表明我们的模型在多个主流评测数据集上取得了SOTA性能。我们还进行了大量消融研究并设计了多种对比实验以证明网络的有效性与鲁棒性，包括遮挡实验和跨域测试。