Sequentielle End-to-End-Netzwerk für effiziente Personen-Suche

Personensuche zielt darauf ab, die Aufgaben der Personen-Detektion und Personen-Re-Identifikation (Re-ID) gemeinsam zu lösen. Bisherige Ansätze haben end-to-end-Netzwerke auf Basis von Faster R-CNN entwickelt. Aufgrund der parallelen Architektur von Faster R-CNN stammen die extrahierten Merkmale jedoch aus niedrigwertigen Vorschlägen, die vom Region Proposal Network generiert werden, anstatt aus den hochwertigen, detektierten Bounding Boxes. Da die Personensuche eine feinabgestimmte Aufgabe ist, führen solche unterdurchschnittlichen Merkmale erheblich zu einer Verschlechterung der Re-ID-Leistung. Um dieses Problem anzugehen, schlagen wir ein sequentielles End-to-End-Netzwerk (SeqNet) vor, um hochwertige Merkmale zu extrahieren. In SeqNet werden Detektion und Re-ID als ein fortschreitender Prozess betrachtet und sequenziell mit zwei Teilnetzwerken bearbeitet. Zusätzlich entwickeln wir einen robusten Context-Bipartite-Graph-Matching-Algorithmus (CBGM), um Kontextinformationen effektiv als wichtigen ergänzenden Hinweis für die Personen-Übereinstimmung zu nutzen. Umfangreiche Experimente an zwei weit verbreiteten Benchmarks für Personensuche, CUHK-SYSU und PRW, zeigen, dass unsere Methode Ergebnisse auf dem Stand der Technik erreicht. Zudem läuft unser Modell mit 11,5 fps auf einer einzigen GPU und kann problemlos in bestehende End-to-End-Frameworks integriert werden.