Amélioration de la réidentification des personnes par apprentissage d'attributs et d'identité

La réidentification de personnes (re-ID) et la reconnaissance d'attributs partagent un objectif commun : l'apprentissage des descriptions piétonnes. Leur différence réside dans la granularité. La plupart des méthodes de re-ID existantes ne prennent en compte que les étiquettes d'identité des piétons. Cependant, nous constatons que les attributs, qui contiennent des descriptions locales détaillées, sont bénéfiques pour permettre au modèle de re-ID d'apprendre des représentations de caractéristiques plus discriminantes. Dans cet article, en nous appuyant sur le complémentarité entre les étiquettes d'attributs et les étiquettes d'ID, nous proposons un réseau de reconnaissance attribut-personne (APR), un réseau multitâche qui apprend une empreinte de re-ID tout en prédiction les attributs piétons. Nous avons manuellement annoté des étiquettes d'attributs pour deux jeux de données re-ID à grande échelle, et nous avons systématiquement examiné comment la réidentification de personnes et la reconnaissance d'attributs s'entraident mutuellement. De plus, nous avons réajusté les prédictions d'attributs en tenant compte des dépendances et des corrélations entre ces attributs. Les résultats expérimentaux sur deux benchmarks re-ID à grande échelle montrent qu'en apprenant une représentation plus discriminante, APR atteint une performance de re-ID compétitive par rapport aux méthodes les plus avancées actuellement disponibles. Nous utilisons APR pour accélérer le processus de recherche par un facteur de dix avec une légère baisse de précision de 2,92 % sur Market-1501. En outre, nous appliquons également APR à la tâche de reconnaissance d'attributs et démontrons une amélioration par rapport aux modèles de base.