多生物识别统一网络用于换衣服的人重新识别

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 模式识别 模式识别

背景情况:

• 人重新识别 (re-ID) 通常与识别改变衣服的个体作斗争.
• 服装的变化对现有的重新识别模型的性能有很大影响,因为服装占据了很大的像素面积,可以误导识别.

研究的目的:

• 开发一个强大的人重新识别模型,能够处理衣服更换场景.
• 为了利用服装独立的线索来提高重新识别的准确性.

主要方法:

• 提出了一种新的多生物统一网络 (MBUNet),结合多生物特征分支 (头部,部,肩膀) 来抵抗布料变化.
• 集成了一个差异特征注意模块 (DFAM) 用于歧视性生物特征提取.
• 采用了最大聚合 (DRMP) 策略上的差异重组和方向适应图形卷积层,以获得强大的全局和姿势特征.
• 引入了一个轻量级域调整模块 (LDAM),用于增强跨场景的可转移功能.
• 将mAP优化纳入联合培训的目标函数.

主要成果:

• MBUNet在衣物更换重新识别任务中表现出了显著的优势.
• 在五个数据集上进行了广泛的实验,验证了模型的有效性.

结论:

• 拟议的MBUNet提供了一个强大的解决方案,用于在具有挑战性的衣物更换场景中重新识别人.
• 利用与服装无关的生物特征对于在服装变化时提高重新识别性能至关重要.