基于单张图像的步态预测和正则化的人重识别

换衣行人重识别（CC-ReID）旨在在不同地点长时间内（例如数天）匹配同一行人，因此不可避免地会遇到换衣带来的挑战。本文中，我们专注于在更具挑战性的场景下有效解决CC-ReID问题，即仅从一张图像出发，这使得实时监控应用中的高效且无延迟的行人识别成为可能。具体而言，我们引入步态识别作为辅助任务，通过利用个人独特且与衣物无关的步态信息，驱动图像ReID模型学习与衣物无关的表示方法，并将该框架命名为GI-ReID。GI-ReID采用双流架构，包括一个图像ReID流和一个辅助步态识别流（Gait-Stream）。为了提高计算效率，在推理阶段会丢弃Gait-Stream，但在训练过程中它作为一个调节器，鼓励ReID流捕捉与衣物无关的生物运动特征。为了从单张图像中获取时间连续的运动线索，我们为Gait-Stream设计了一个步态序列预测（GSP）模块以丰富步态信息。最后，在两个流之间强制执行高层次语义一致性，以实现有效的知识正则化。在多个基于图像的换衣行人重识别基准数据集（如LTCC、PRCC、Real28和VC-Clothes）上的实验表明，GI-ReID在性能上优于现有最佳方法。代码已发布在 https://github.com/jinx-USTC/GI-ReID。