Incremental Generative Occlusion Adversarial Suppression Network für Person ReID

Die Person-Identifikation (re-id) steht vor der erheblichen Herausforderung der Verdeckung (Occlusion), bei der Bilder durch Verdeckungen charakterisiert sind und nur geringe differenzierende Informationen über Fußgänger liefern. Dennoch versuchen bestimmte Ansätze kontinuierlich, komplexe Module zu entwerfen, um implizite Informationen (einschließlich menschlicher Pose-Landmarks, Masken-Karten und räumlicher Informationen) zu erfassen. Dadurch konzentriert sich das Netzwerk auf die Lernung differenzierender Merkmale an nicht verdeckten Körperregionen und erreicht eine effektive Übereinstimmung trotz räumlicher Missalignment. Wenige Studien haben sich bisher mit Datenaugmentation beschäftigt, da bestehende Methoden der Datenaugmentation auf einzelnen Bildern nur begrenzte Leistungsverbesserungen erzielen. Um das Problem der Verdeckung anzugehen, schlagen wir ein neuartiges Incremental Generative Occlusion Adversarial Suppression (IGOAS)-Netzwerk vor. Es besteht aus zwei Hauptkomponenten: 1) einem inkrementellen generativen Verdeckungsblock, der leichtere bis schwerere Verdeckungsdaten erzeugt, wodurch das Netzwerk robuster gegenüber Verdeckungen wird, indem es schrittweise schwierigere, aber nicht direkt die schwierigsten Verdeckungen lernt. Und 2) einem global-adversarialen Unterdrückungsframework (G&A), das aus einem globalen Zweig und einem adversarialen Unterdrückungszweig besteht. Der globale Zweig extrahiert stabile globale Merkmale der Bilder. Der adversariale Unterdrückungszweig, ausgestattet mit zwei Verdeckungsunterdrückungsmodulen, minimiert die Reaktion auf die generierten Verdeckungen und verstärkt die Aufmerksamkeitsmerkmale an den nicht verdeckten Körperregionen des Menschen. Schließlich erhalten wir durch die Verkettung der Merkmale beider Zweige einen differenzierteren Fußgängermerkmalsbeschreiber, der robust gegenüber Verdeckungen ist. Experimente auf einem datenbasierten verdeckten Datensatz zeigen die wettbewerbsfähige Leistung des IGOAS. Auf dem Occluded-DukeMTMC-Datensatz erreicht es eine Rank-1-Accuracy von 60,1 % und eine mAP von 49,4 %.