面向遮挡行人重识别的短程相关 Transformer
计算机视觉与模式识别
2022-01-05 v1 人工智能
摘要
遮挡行人重识别是计算机视觉中具有挑战性的领域之一，面临特征表示效率低和识别精度低等问题。卷积神经网络更关注局部特征提取，因此难以提取被遮挡行人的特征且效果不尽如人意。近来，视觉 Transformer 被引入重识别领域，并通过构建 patch 序列间全局特征的关系取得了最先进的结果。然而，视觉 Transformer 在局部特征提取上的表现不如卷积神经网络。因此，我们设计了一个基于局部特征 Transformer 的行人重识别框架，称为 PFT。所提出的 PFT 利用三个模块来增强视觉 Transformer 的效率。（1）patch 全维度增强模块。我们设计了一个与 patch 序列尺寸相同的可学习张量，其全维度并深度嵌入 patch 序列中以丰富训练样本的多样性。（2）融合与重构模块。我们提取所得 patch 序列中较不重要的部分，并将其与原始 patch 序列融合以重构原始 patch 序列。（3）空间切片模块。我们从空间方向对 patch 序列进行切片和分组，可有效提升 patch 序列的短程相关性。在遮挡和整体重识别数据集上的实验结果表明，所提出的 PFT 网络持续取得优越性能，并优于最先进的方法。
引用
@article{arxiv.2201.01090,
title = {Short Range Correlation Transformer for Occluded Person Re-Identification},
author = {Yunbin Zhao and Songhao Zhu and Dongsheng Wang and Zhiwei Liang},
journal= {arXiv preprint arXiv:2201.01090},
year = {2022}
}