摘要
行人重识别（Person Re-Identification, Re-ID）面临的一个关键挑战是遮挡问题，即图像中存在遮挡区域，导致行人的判别性信息显著减少。尽管已有研究持续尝试设计复杂的模块以捕捉隐含信息（如人体姿态关键点、掩码图以及空间结构信息），使网络能够聚焦于未被遮挡的身体区域，从而在空间错位情况下实现有效的匹配。然而，针对数据增强的研究仍相对较少，因为现有的基于单一图像的数据增强方法所带来的性能提升十分有限。为应对遮挡问题，本文提出一种新颖的增量式生成遮挡对抗抑制网络（Incremental Generative Occlusion Adversarial Suppression, IGOAS）。该网络包含两个核心组件：1）增量式生成遮挡模块：通过逐步生成由易到难的遮挡样本，使网络在训练过程中逐步学习更具挑战性的遮挡模式，而非直接学习最极端的遮挡情况，从而增强模型对遮挡的鲁棒性；2）全局对抗抑制框架（Global & Adversarial Suppression, G&A），包含一个全局分支与一个对抗抑制分支。其中，全局分支用于提取图像的稳定全局特征；对抗抑制分支则嵌入两个遮挡抑制模块，旨在抑制生成遮挡区域的响应，同时强化对未被遮挡人体区域的注意力特征表示。最终，通过拼接两个分支的特征，获得更具判别性的行人特征描述符，显著提升模型对遮挡问题的适应能力。在多个遮挡数据集上的实验验证表明，IGOAS展现出优异的性能。在Occluded-DukeMTMC数据集上，该方法取得了60.1%的Rank-1准确率和49.4%的mAP（平均精度均值），达到了当前先进水平。