استكشاف التمثيل الدقيق وإعادة التركيب للتعريف بإعادة الشخص بعد تغيير الملابس

إعادة تعريف الشخص مع تغيير الملابس (Re-ID) هي مهمة خاصة صعبة، تعاني من حدين رئيسيين هما ضعف الخصائص التمييزية وندرة العينات التدريبية. تركز الأساليب الحالية بشكل أساسي على استخدام المعلومات المساعدة لتسهيل تعلم الخصائص المتعلقة بالهوية، مثل خصائص البيومترية الناعمة للأشكال أو المشي، والعلامات الإضافية للملابس. ومع ذلك، قد لا تكون هذه المعلومات متاحة في التطبيقات العملية. في هذا البحث، نقترح إطارًا جديدًا يُسمى تمثيل وإعادة تركيب ناعم (FIRe$^{2}$) لمعالجة كلا الحدين دون الحاجة إلى أي معلومات إسنادية أو بيانات إضافية. بصفة خاصة، قمنا أولًا بتصميم وحدة استخراج الخصائص الناعمة (FFM) لفرز الصور لكل شخص بشكل منفصل. يتم تشجيع الصور ذات الخصائص الناعمة المتشابهة (مثل الملابس والزوايا البصرية) على التجميع معًا. تم تقديم خسارة تصنيف واعية بالخصائص لإجراء التعلم الناعم بناءً على علامات الفرز، والتي لا تُشترك بين الأشخاص المختلفين، مما يدفع النموذج إلى تعلم الخصائص المتعلقة بالهوية. بالإضافة إلى ذلك، للاستفادة القصوى من الخصائص الناعمة، نقدم وحدة إعادة تركيب الخصائص الناعمة (FAR) بإعادة تركيب خواص الصور ذات الخصائص المختلفة في الفضاء الكامن. هذا يعزز بشكل كبير تعلم الخواص المتينة. أظهرت التجارب الواسعة أن FIRe$^{2}$ يمكن أن يحقق أداءً رائدًا في خمسة مقاييس مرجعية شهيرة لإعادة تعريف الشخص مع تغيير الملابس (Re-ID). الرمز البرمجي متاح على الرابط https://github.com/QizaoWang/FIRe-CCReID.