面向遮挡行人重识别的区域生成与评估网络
计算机视觉与模式识别
2023-09-13 v1
摘要
行人重识别（ReID）近年来发挥着越来越重要的作用，应用广泛。现有 ReID 方法深受错位与遮挡问题的挑战，性能急剧下降。多数方法借助外部工具定位身体部位或利用匹配策略应对此类挑战。然而，外部工具所用数据集与 ReID 数据集之间不可避免的域差距，以及复杂的匹配过程，使这些方法不可靠且对噪声敏感。本文提出区域生成与评估网络（RGANet），以有效且高效地检测人体区域并突出重要区域。在提出的 RGANet 中，我们首先设计区域生成模块（RGM），利用预训练的 CLIP 从文本描述提取的语义原型定位人体区域；设计可学习提示以消除 CLIP 数据集与 ReID 数据集间的域差距。然后，为度量各生成区域的重要性，引入区域评估模块（RAM），为不同区域分配置信度分数，并通过较低分数降低遮挡区域的负面影响。RAM 由判别感知指示器与不变性感知指示器组成，前者指示区分不同身份的能力，后者表示同类人体区域图像间的一致性。在六个广泛使用基准（含遮挡、局部与整体三项任务）上的大量实验结果证明了 RGANet 相对于最先进方法的优越性。
引用
@article{arxiv.2309.03558,
title = {Region Generation and Assessment Network for Occluded Person Re-Identification},
author = {Shuting He and Weihua Chen and Kai Wang and Hao Luo and Fan Wang and Wei Jiang and Henghui Ding},
journal= {arXiv preprint arXiv:2309.03558},
year = {2023}
}