HyperAIHyperAI
vor 19 Tagen

Jenseits menschlicher Teile: Dual part-alignierte Darstellungen für die Person-Identifikation

Jianyuan Guo, Yuhui Yuan, Lang Huang, Chao Zhang, Jinge Yao, Kai Han
Jenseits menschlicher Teile: Dual part-alignierte Darstellungen für die Person-Identifikation
Abstract

Die Person-Identifikation ist aufgrund vieler komplexer Faktoren eine herausfordernde Aufgabe. In jüngsten Studien wurde versucht, Ergebnisse aus der menschlichen Parsing-Verarbeitung oder extern definierte Attribute zu integrieren, um menschliche Körperteile oder wichtige Objektregionen besser zu erfassen. Andererseits existieren jedoch weiterhin zahlreiche nützliche kontextuelle Hinweise, die nicht in die vorgegebenen menschlichen Körperteile oder Attribute fallen. In diesem Artikel adressieren wir diese übersehenen kontextuellen Hinweise, indem wir sowohl präzise menschliche Körperteile als auch grobe nicht-menschliche Teile ausnutzen. In unserer Implementierung wenden wir ein menschliches Parsing-Modell an, um binäre Masken für menschliche Körperteile zu extrahieren, und kombinieren dies mit einer Selbst-Attention-Mechanismus, um weiche latente (nicht-menschliche) Teilmasken zu erfassen. Wir bestätigen die Wirksamkeit unseres Ansatzes durch neue state-of-the-art-Ergebnisse auf drei anspruchsvollen Benchmark-Datensätzen: Market-1501, DukeMTMC-reID und CUHK03. Unsere Implementierung ist unter https://github.com/ggjy/P2Net.pytorch verfügbar.

Jenseits menschlicher Teile: Dual part-alignierte Darstellungen für die Person-Identifikation | Neueste Forschungsarbeiten | HyperAI