Top-DB-Net: Top DropBlock zur Aktivierungsoptimierung in der Person Re-Identifikation

Person Re-Identification ist eine herausfordernde Aufgabe, die darauf abzielt, alle Instanzen eines Abfragebildes über ein System nicht überlappender Kameras zu identifizieren. Aufgrund der vielfältigen extremen Veränderungen der Sichtweise sind lokale Regionen, die zur Personenübereinstimmung genutzt werden könnten, oft unterdrückt, was dazu führt, dass Ansätze gezwungen sind, die Ähnlichkeit von Bildern auf Basis weniger informativer Regionen zu bewerten. In dieser Arbeit stellen wir Top-DB-Net vor, eine Methode, die auf Top DropBlock basiert und das Netzwerk dazu anregt, sich auf den Vordergrund der Szene zu konzentrieren, wobei besonderes Augenmerk auf die für die Aufgabe am relevantesten Regionen gelegt wird, gleichzeitig jedoch auch weniger informative Regionen kodiert werden, um eine hohe Unterscheidbarkeit zu gewährleisten. Top-DB-Net besteht aus drei Strömen: (i) ein globaler Stream kodiert reichhaltige Bildinformationen aus einem Backbone, (ii) der Top DropBlock-Stream veranlasst den Backbone, weniger informative Regionen mit hoch differenzierbaren Merkmalen zu kodieren, und (iii) ein Regularisierungs-Stream hilft, den durch den Drop-Prozess des zweiten Ströms verursachten Rausch zu reduzieren; dabei werden bei der Testphase die ersten beiden Ströme verwendet. Umfangreiche Experimente auf drei anspruchsvollen Datensätzen belegen die Stärken unseres Ansatzes gegenüber aktuellen State-of-the-Art-Methoden. Qualitative Ergebnisse zeigen, dass unsere Methode verbesserte Aktivierungskarten erzeugt, die sich auf zuverlässige Teile der Eingabebilder konzentrieren.