Harmonisches Aufmerksamkeitsnetzwerk für die Wiedererkennung von Personen

Bestehende Methoden zur Personen-Wiedererkennung (Re-ID) gehen entweder davon aus, dass gut ausgerichtete Person-Bounding-Box-Bilder als Modellinput zur Verfügung stehen, oder sie basieren auf eingeschränkten Aufmerksamkeitsselektionsmechanismen, um fehlerhafte Bilder zu kalibrieren. Sie sind daher für die Re-ID-Matching-Aufgabe in willkürlich ausgerichteten Personbildern mit potenziell großen Pose-Variationen und unbeschränkten Auto-Detektionsfehlern suboptimal. In dieser Arbeit zeigen wir die Vorteile des gemeinsamen Lernens von Aufmerksamkeitsselektion und Merkmalsrepräsentation in einem Faltungsneuronalen Netzwerk (CNN), indem wir die komplementären Informationen verschiedener Ebenen der visuellen Aufmerksamkeit unter den Einschränkungen diskriminativer Re-ID-Lernziele maximieren. Insbesondere formulieren wir ein neues Modell namens Harmonious Attention CNN (HA-CNN) für das gemeinsame Lernen von weicher Pixelaufmerksamkeit und harter Regionalaufmerksamkeit, zusammen mit der simultanen Optimierung von Merkmalsrepräsentationen, das speziell darauf abzielt, die Personen-Wiedererkennung in unkontrollierten (fehlerhaften) Bildern zu verbessern. Ausführliche vergleichende Bewertungen bestätigen die Überlegenheit dieses neuen HA-CNN-Modells für die Personen-Wiedererkennung gegenüber einer Vielzahl von state-of-the-art-Methoden auf drei großen Benchmarks, einschließlich CUHK03, Market-1501 und DukeMTMC-ReID.