基于高频增强与多小波混合的 Transformer 行人搜索
计算机视觉与模式识别
2025-07-01 v1
摘要
行人搜索任务旨在从一组场景图像中定位目标人物。近年来，基于 Transformer 的模型在该领域取得了一些进展。然而，它们仍面临两个主要挑战：1）自注意力机制倾向于抑制特征中的高频分量，严重影响模型性能；2）Transformer 的计算成本相对较高。为解决这些问题，我们提出了一种用于行人搜索的新型高频增强与多小波混合（HAMW）方法。HAMW 旨在增强 Transformer 的判别性特征提取能力，同时降低计算开销并提高效率。具体而言，我们开发了一个三阶段框架，逐步优化检测和重识别性能。我们的模型通过从包含额外高频分量的增强输入中学习，提升了对高频特征的感知能力。此外，我们用基于多级 Haar 小波融合的策略替换了 Transformer 中的自注意力层，以捕获多尺度特征。这不仅降低了计算复杂度，还缓解了对高频特征的抑制，并增强了利用多尺度信息的能力。大量实验表明，HAMW 在 CUHK-SYSU 和 PRW 数据集上均取得了 SOTA 性能。
引用
@article{arxiv.2506.23202,
title = {Transformer-Based Person Search with High-Frequency Augmentation and Multi-Wave Mixing},
author = {Qilin Shu and Qixian Zhang and Qi Zhang and Hongyun Zhang and Duoqian Miao and Cairong Zhao},
journal= {arXiv preprint arXiv:2506.23202},
year = {2025}
}