摘要
遮挡行人重识别（Occluded Person Re-Identification, ReID）是一项极具挑战性的任务，主要由于背景噪声增多以及前景信息不完整所致。尽管现有的基于人体解析（human parsing）的ReID方法能够在像素级实现语义对齐，有效应对遮挡问题，但其性能严重依赖于人体解析模型的准确性。大多数监督方法通过引入跨域人体部位标注，额外训练一个独立的人体解析模型，但这一过程面临高昂的标注成本以及域间差异（domain gap）问题；而无监督方法虽将基于特征聚类的人体解析过程集成至ReID模型中，但由于缺乏监督信号，分割结果往往不够理想。本文提出，ReID训练数据集中已存在的先验信息可直接作为监督信号，用于训练人体解析模型，而无需任何额外标注。为此，我们构建了一种新颖的框架——人体协同解析引导对齐（Human Co-parsing Guided Alignment, HCGA），该框架将一个弱监督的人体协同解析网络嵌入ReID网络中，充分挖掘同一行人不同图像间的共享信息。具体而言，人体协同解析网络通过三个一致性准则进行弱监督：全局语义一致性、局部空间一致性以及背景一致性。随后，将行人ReID网络输出的语义信息与深层特征输入至引导对齐模块，从而有效提取前景区域及人体各部位的特征，显著提升遮挡情况下的行人重识别性能。在两个遮挡数据集和两个完整行人数据集上的实验结果表明，所提方法具有显著优势。尤其在Occluded-DukeMTMC数据集上，该方法取得了70.2%的Rank-1准确率和57.5%的mAP，显著优于现有方法。