对于被封闭的人重新识别的多对齐和多尺度增强,被封闭的人重新识别

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 由于遮蔽噪音和有限的现实数据,被遮蔽的人重新识别 (Re-ID) 具有挑战性.
• 现有的数据增强方法存在样本内部 (错误对准的遮蔽物) 和样本内部 (信息丢失) 的不一致性.
• 这些不一致导致不切实际的工件,并削弱了Re-ID.中的模型稳定性.

研究的目的:

• 提出一个统一的多对齐和多尺度增强 (MA-MSA) 框架,以解决封闭的Re-ID数据增强中的双重不一致性.
• 通过与真实世界数据特征对齐,增强合成封闭数据的真实性.
• 为了提高 Re-ID 模型的稳定性和性能,这些模型在封闭状态下运行.

主要方法:

• 引入了频率-风格-位置数据增强 (FSPDA) 模块,其中包含了一个封闭库,自适应实例规范化和层次位置规则.
• 开发了多尺度作物数据增强 (MSCDA) 策略,使用多尺度作物和动态视图融合来防止信息丢失.
• 在MA-MSA框架内并行集成FSPDA和MSCDA,以共同解决双重不一致的问题.

主要成果:

• 在基准数据集上,MA-MSA取得了国家领先的表现:73.3%的Rank-1和62.9%的Occluded-Duke上的mAP.
• 在Occluded-REID上实现了87.3%的Rank-1和82.1%的mAP.
• 在不依赖辅助模型的情况下,证明了拟议方法的优越稳定性.

结论:

• 该MA-MSA框架有效地解决了对被封闭的Re-ID.数据增强的双重不一致性.
• 拟议的方法在具有挑战性的封闭场景中显著提高了Re-ID性能和稳定性.
• MA-MSA提供了一种有前途的方法,用于生成现实的封闭数据并增强Re-ID模型功能.