X-ReID：面向身份级行人重识别的跨实例 Transformer
计算机视觉与模式识别
2023-02-07 v1
摘要
当前，大多数现有行人重识别方法使用仅从单张图像中提取的实例级特征。然而，由于每个身份在不同图像中的外观差异很大，这些实例级特征容易忽略判别性信息。因此，有必要利用可在每个身份的不同图像间共享的身份级特征。本文提出通过采用交叉注意力机制，将一张图像的信息融入同一身份的另一张图像，从而将实例级特征提升为身份级特征，进而获得更统一且更具判别力的行人信息。我们提出了一种名为 X-ReID 的新型训练框架。具体而言，跨身份内实例模块（IntraX）融合不同的身份内实例，以传递身份级知识并使实例级特征更紧凑。跨身份间实例模块（InterX）引入强正例和强负例，以增强对相同身份而非不同身份的注意力响应，从而最小化身份内差异并最大化身份间差异。在基准数据集上的大量实验表明，我们的方法优于现有工作。特别是在具有挑战性的 MSMT17 数据集上，我们提出的方法与第二名相比获得了 1.1% 的 mAP 提升。
引用
@article{arxiv.2302.02075,
title = {X-ReID: Cross-Instance Transformer for Identity-Level Person Re-Identification},
author = {Leqi Shen and Tao He and Yuchen Guo and Guiguang Ding},
journal= {arXiv preprint arXiv:2302.02075},
year = {2023}
}
备注
9 pages