迈向完全解耦的端到端行人搜索

端到端行人搜索旨在利用统一模型在原始场景图像中联合检测并重新识别目标行人。检测任务统一所有行人，而重识别（re-id）任务区分不同身份，导致最优目标冲突。已有工作提出对端到端行人搜索进行解耦以缓解此类冲突。然而，由于其部分解耦的模型，这些方法在一个或两个子任务上仍次优，限制了整体行人搜索性能。本文中，我们提出对行人搜索进行完全解耦以迈向最优行人搜索。提出一种任务增量式行人搜索网络，增量式地构建用于检测与重识别子任务的端到端模型，从而解耦两个子任务的模型架构。所提出的任务增量网络允许对两个冲突任务进行任务增量训练。这使得不同目标可独立学习，从而完全解耦了行人搜索模型。综合实验评估证明了所提出的完全解耦模型在端到端行人搜索中的有效性。