基于正交融合与遮挡处理的鲁棒集成行人重识别
计算机视觉与模式识别
2024-04-02 v1 人工智能
摘要
遮挡仍然是行人重识别(ReID)的主要挑战之一，原因是姿态多样性和外观变化。开发新颖架构以提高遮挡感知行人重识别的鲁棒性需要新见解，尤其是在低分辨率边缘相机上。我们提出一个深度集成模型，利用CNN和Transformer架构生成鲁棒特征表示。为了实现无需手动标注遮挡区域的鲁棒ReID，我们提出采用基于集成学习的方法，该方法源于任意形状遮挡区域与鲁棒特征表示之间的类比。利用正交性原理，我们开发的深度CNN模型利用掩码自编码器(MAE)和全局-局部特征融合进行鲁棒行人识别。此外，我们提出一个部分遮挡感知Transformer，能够学习对遮挡区域鲁棒的特征空间。在多个ReID数据集上报告实验结果，以展示我们开发的集成模型——正交融合与遮挡处理(OFOH)的有效性。与竞争方法相比，所提出的OFOH方法在rank-1和mAP性能上取得了有竞争力的结果。
引用
@article{arxiv.2404.00107,
title = {Robust Ensemble Person Re-Identification via Orthogonal Fusion with Occlusion Handling},
author = {Syeda Nyma Ferdous and Xin Li},
journal= {arXiv preprint arXiv:2404.00107},
year = {2024}
}