Multi-clues adaptive learning for Cloth-Changing Person Re-Identification 解读

一. 文章基本信息

1. 文章标题：Multi-clues adaptive learning for Cloth-Changing Person Re-Identification

2. 文章链接：多线索自适应学习换布人再识别 |国际模式识别与人工智能杂志

3. 文章动机：

任务描述：行人重识别（Person re-identification，ReID）在智能视频监控系统中发挥着关键作用，旨在解决跨场景下的行人识别与匹配问题。

现有问题：标准行人重识别（standard ReID）：① 默认同一行人在不同图像内着装保持一致（非 “换衣”）；② 假设行人重识别 (ReID)任务通常在短时间内完成，实验所用数据集也主要源于短时间跨度场景。

然而，在实际应用场景内，行人重识别往往需要跨越较长时间跨度，此时假设个体着装保持不变就显得过于理想化。 →   因此，依赖提取服装外观、颜色、纹理特征的传统 REID 模型，并不适用于长时跨度识别任务。 →  鉴于此，换衣行人重识别（cloth-changing person re-identification）命题被提出，专门用于解决长时 REID 任务。本模型便致力于解决长时换衣 REID 问题，此处我们主要利用对服装变化不敏感的鲁棒性特征。

PS：此处，列出一些常见的 标准行人重识别 及 换衣行人重识别 数据集：

While existing datasets like Market1501,54 CUHK0327 and DukeMTMC57 are useful, they only capture short instances of the same person across cameras on the same day, making them cloth-consistent.

In recent years, studies have introduced new datasets to address cloth-changing ReID (CC-ReID) where clothing changes are prevalent (e.g., PRCC,49 LTCC,33 COCAS,50 Celebrities-ReID18 and VC-Clothes45).

此外，开放环境中的换衣行人重识别（CC-ReID）问题，仅依靠单一特征往往难以解决。与单一特征相比，多特征线索能更好应对各类场景，性能更佳；如上图所示，场景 b 更适合采用 步态 特征，而场景 c 更适合采用 轮廓 特征。我们尝试了多种多特征引入方法，发现交叉注意力多线索引导更具优势，不仅性能更优，且易于扩展。