论文阅读（七）Learning Visibility-aware Part-level Features for Partial Person Re-identiﬁcation

最新推荐文章于 2024-08-15 10:07:08 发布

原创

最新推荐文章于 2024-08-15 10:07:08 发布 · 703 阅读

2 ·

CC 4.0 BY-SA版权

本文提出了一种名为Visibility-aware Part Model (VPM)的方法，用于解决行人再识别中的部分遮挡问题。VPM通过自监督学习，能识别图像中行人部分的可见性，并在比较时只关注共同存在的区域，从而减少空间错位的影响。通过学习局部特征和区域可见性，VPM在mAP和R1指标上达到了当前最优水平。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.要解决什么问题：识别数据集中，或者现实生活中拍摄的，目标行人残缺的情况，匹配会发生对不齐现象

2.用了什么解决方法：提出VPM网络，以自监督训练为主要方法，使得网络自发的更关注共存的区域，对于不可见区域在计算距离时产生作用小，可见区域起的作用大。同时自监督训练使用交叉熵损失训练网络进行区域分类，使用三元损失寻来你网络进行身份分类。最终消除局部区域错位匹配现象。

3.效果如何。达到目前最优水准 mAP 90.8，R1 93.0

4.还存在什么问题

5.可借鉴之处：区域定位生成的概率图的方法可以借鉴

Abstract

这篇文章考虑了行人再识别的局部区域Reid的问题，在partial re-ID情况下，图像也许只包含行人的部分外观。如果直接将部分行人图像与整体图像比较，那么空间错位会损害所学到的识别能力。于是，提出了一个Visibility-aware Part Model (VPM)，该模型可以通过监督学习来感知区域可见性，也就是说可以发现哪些人的图像是不完整的。VPM模型关注的是局部特征，当比较两个图片时，VPM会只关注他们都共同存在的区域，就不去比较被遮挡的部分了。VPM对Reid任务有两方面好处，（1）VPM学习局部细粒度特征。（2）VPM关注两张比较图片都存在的区域，抑制比较错位。