تجاوز نماذج الأجزاء: استرجاع الشخص باستخدام تجميع الأجزاء المُعَدَّل (ونموذج قوي مُعَطَّب)

استخدام خصائص المستوى الجزئي في وصف صور المشاة يوفر معلومات دقيقة وتم التحقق من فائدته في استرجاع الأشخاص في الأدبيات الحديثة جدًا. شرط أساسي لاكتشاف الأجزاء هو أن يتم تحديد كل جزء بشكل جيد. بدلاً من استخدام مؤشرات خارجية، مثل تقدير الوضع (pose estimation)، لتحديد الأجزاء مباشرة، تركز هذه الورقة على التجانس الداخلي لكل جزء.بشكل خاص، نهدف إلى تعلم الخصائص الجزئية المميزة لاسترجاع الأشخاص ونقدم اثنين من الإسهامات. (i) شبكة تُسمى قاعدة التجاوز الجزئي القائمة على التفاف (Part-based Convolutional Baseline - PCB). عند إدخال صورة، تقوم بإخراج وصف تفافي يتكون من عدة خصائص على مستوى الجزء. باستخدام استراتيجية التقسيم الموحدة، تحقق PCB نتائج تنافسية مع أفضل الأساليب الحالية، مما يثبت نفسها كقاعدة تفافية قوية لاسترجاع الأشخاص.(ii) طريقة بولينغ الجزء المكررة (Refined Part Pooling - RPP). يؤدي التقسيم الموحد حتمًا إلى وجود نقاط متطرفة في كل جزء، وهي في الواقع أكثر شبهاً بالأجزاء الأخرى. تقوم RPP بإعادة تعيين هذه النقاط المتطرفة للأجزاء التي هي أقرب إليها، مما يؤدي إلى أجزاء مكررة ذات تجانس داخلي محسن. أكدت التجارب أن RPP يسمح لـ PCB بالحصول على زيادة أخرى في الأداء. على سبيل المثال، على مجموعة بيانات Market-1501، نحقق نسبة mAP بنسبة (77.4+4.2)% ودقة الرتبة الأولى بنسبة (92.3+1.5)%، مما يتفوق بكثير على أفضل الأساليب الحالية.