Au-delà des Parties Humaines : Représentations Dualisées par Alignement de Parties pour la Réidentification de Personnes

La réidentification de personnes est une tâche difficile en raison de nombreux facteurs complexes. Des études récentes ont tenté d’intégrer les résultats de la segmentation humaine ou des attributs définis externement afin d’aider à capturer les différentes parties du corps humain ou des régions importantes de l’objet. D’un autre côté, de nombreuses informations contextuelles utiles ne relèvent pas du cadre des parties humaines prédéfinies ou des attributs. Dans cet article, nous abordons ce manque d’informations contextuelles en exploitant à la fois les parties humaines précises et les parties non humaines grossières. Dans notre implémentation, nous utilisons un modèle de segmentation humaine pour extraire des masques binaires des parties humaines, ainsi qu’un mécanisme d’attention auto-associative afin de capturer des masques latents souples (non humains). Nous validons l’efficacité de notre approche en obtenant de nouveaux résultats de pointe sur trois benchmarks exigeants : Market-1501, DukeMTMC-reID et CUHK03. Notre implémentation est disponible à l’adresse suivante : https://github.com/ggjy/P2Net.pytorch.