Apprentissage de caractéristiques diverses avec une résolution au niveau des parties pour la ré-identification de personnes

L’apprentissage de caractéristiques diversifiées est essentiel au succès de la réidentification de personnes. De nombreuses méthodes basées sur des parties ont été largement proposées pour apprendre des représentations locales, mais elles restent encore inférieures aux meilleures méthodes actuelles en réidentification de personnes. Ce papier propose de concevoir une architecture de réseau léger performant, appelée PLR-OSNet, fondée sur l'idée de résolution de caractéristiques au niveau des parties dans le cadre du réseau omni-échelle (OSNet), afin d’atteindre une diversité des caractéristiques. Le PLR-OSNet proposé comporte deux branches : une branche pour la représentation globale des caractéristiques et une autre pour la représentation locale. La branche locale utilise une stratégie de partition uniforme pour la résolution des caractéristiques au niveau des parties, tout en ne produisant qu’une seule perte de prédiction d’identité, ce qui constitue une différence marquée par rapport aux méthodes partielles existantes. Des preuves empiriques montrent que le PLR-OSNet proposé atteint des performances de pointe sur des jeux de données populaires pour la réidentification de personnes, notamment Market1501, DukeMTMC-reID et CUHK03, malgré sa taille modeste.