基于多损失动态训练的金字塔式行人重识别

大多数现有的重新识别（Re-ID）方法都高度依赖于精确的边界框，这些边界框使得图像能够相互对齐。然而，由于实际场景中的挑战，当前的检测模型经常生成不准确的边界框，这不可避免地会降低现有Re-ID算法的性能。在本文中，我们提出了一种新颖的从粗到精金字塔模型，以减少对边界框的需求。该模型不仅结合了局部和全局信息，还整合了它们之间的渐进线索。金字塔模型能够在不同尺度上进行匹配，然后搜索同一身份的正确图像，即使图像对未对齐也能实现这一目标。此外，为了学习具有区分性的身份表示，我们探索了一种动态训练方案，无缝统一两种损失函数并提取它们之间适当共享的信息。实验结果清楚地表明，所提出的方法在三个数据集上均达到了最先进的水平。特别是在最具挑战性的CUHK03数据集上，我们的方法超过了目前最佳方法9.5%。