AA变压器:用于人员重新识别的自动调整变压器.

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 准确的人重新识别 (re-ID) 取决于图像中的细粒度,部分水平特征.
• 现有的基于卷积神经网络 (CNN) 的方法往往粗略地定位人类部分或无法识别像配件这样的非人类部分.
• 预训练的人类分析模型在适应性和识别非人类元素方面存在局限性,这对于重新识别至关重要.

研究的目的:

• 提出一种基于变压器的新型架构,用于在人身重新识别时自动定位零件.
• 引入一个对齐方案,使变压器能够在补丁级别上识别人类和非人类部分.
• 增强特征提取过程,以提高人重新识别性能.

主要方法:

• 引入了自动对齐变压器 (AAformer),在变压器架构中结合了对齐方案.
• 开发了"部分代币" ([PART]s) 作为可学习的载体,通过本地化自我注意力提取部分级特征.
• 使用快速最佳传输 (OT) 算法实现了自动对齐机制,以在[PART]原型周围聚集图像补丁.

主要成果:

• 在补丁级别上,AAformer成功地和自动地定位人类和非人类部分.
• 拟议的"零件令牌"有效地捕捉了用于检索的歧视性零件特征.
• 实验结果表明AAformer的优越性超过现有的最先进的人重新识别方法.

结论:

• 整合部分对齐到变压器自我注意的集成是有效的人重新ID.
• 通过自动定位相关图像部分,AAformer提供了一个强大的解决方案来提取细粒度特征.
• 拟议的方法通过解决以前方法的局限性来推进最先进的人身重新识别.