GEFF : Amélioration de tout modèle de ReID de personnes avec changement de vêtements par enrichissement de la galerie à l’aide de caractéristiques faciales

Dans le problème de réidentification avec changement de vêtements (CC-ReID), étant donné un échantillon de requête d'une personne, l'objectif consiste à déterminer l'identité correcte à partir d'une galerie étiquetée dans laquelle la personne apparaît avec des vêtements différents. Plusieurs modèles abordent ce défi en extrayant des caractéristiques indépendantes des vêtements. Toutefois, les performances de ces modèles restent inférieures dans le cadre de changement de vêtements par rapport au cadre de même vêtement, où la personne est représentée avec les mêmes vêtements dans la galerie étiquetée. Étant donné que les caractéristiques liées aux vêtements constituent souvent les caractéristiques dominantes dans les données, nous proposons un nouveau processus appelé enrichissement de la galerie (Gallery Enrichment), afin d'exploiter ces caractéristiques. Dans ce processus, nous enrichissons la galerie originale en ajoutant des échantillons de requête basés sur leurs caractéristiques faciales, via un algorithme non supervisé. En outre, nous démontrons qu'une combinaison de modules de réidentification (ReID) et d'extraction de caractéristiques faciales, couplée à une galerie enrichie, conduit à un modèle de ReID plus précis, même pour des échantillons de requête portant de nouveaux vêtements sans visage visible. Par ailleurs, nous affirmons que les benchmarks existants de CC-ReID ne représentent pas pleinement les scénarios du monde réel, et proposons un nouveau jeu de données vidéo pour CC-ReID, intitulé 42Street, basé sur une pièce de théâtre incluant des scènes bondées et de nombreux changements de vêtements. Appliqué à plusieurs modèles de ReID, notre méthode (GEFF) atteint une amélioration moyenne de 33,5 % et 6,7 % sur les métriques Top-1 en situation de changement de vêtements, respectivement sur les benchmarks PRCC et LTCC. En combinaison avec les derniers modèles de ReID, notre approche établit de nouveaux résultats SOTA sur les benchmarks PRCC, LTCC, CCVID, LaST, VC-Clothes ainsi que sur le nouveau jeu de données 42Street.