以身份为导向的协作学习,用于换衣服的人重新识别身份

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:

• 换衣服的人重新识别 (ReID) 面临挑战,因为从服装变化和姿势变化显著的外观变化.
• 现有的ReID方法与动态外观变化作斗争,并未充分利用人类的语义和稳定身份信息.

研究的目的:

• 提出一个新的身份引导协作学习计划 (IGCL) 强大的衣服换衣人ReID.
• 为了有效地利用人类的语义信息和不变的身份特征来克服外观变化.

主要方法:

• 开发了一种服装注意力降低流,以尽量减少服装干扰,使用服装注意力和中级协作学习.
• 引入了人类语义注意力和身体拼图流,以强调背景不变的语义信息,并模拟姿势变化.
• 提出了一种行人身份增强流程,以增强身份的重要性并提取强大的身份特征.
• 将这些流程集成到由身份优化指导的端到端框架中.

主要成果:

• 拟议的IGCL方法在6个公共更衣人ReID数据集中表现出卓越的性能.
• 取得了最先进的结果,在多个基准上表现优于现有方法.
• 提取的特征表现出增强的表现和歧视能力,与服装的相关性减少.

结论:

• 通过整合语义和身份信息,IGCL计划有效地解决了衣物更换人ReID的挑战.
• 拟议的方法为个人重新识别任务提供了更强大和更具歧视性的特征表示.
• 这项工作通过提供一个新的框架来处理显著的外观变化,从而推进了人ReID领域.