融合空间相关性和局部特征转换器的遮挡行人重识别

遮挡的行人重识别是计算机视觉中的一个挑战性领域，它面临着特征表示效率低下和识别准确率低等问题。卷积神经网络方法更注重局部特征的提取，因此难以提取被遮挡行人的特征，效果也不尽如人意。最近，视觉转换器被引入到重识别领域，并通过构建图像块序列之间的全局特征联系取得了最先进的结果。然而，视觉转换器在提取局部特征方面的性能不如卷积神经网络。因此，设计了一个基于空间相关性和局部特征序列的行人重识别网络。所提出的网络利用3个模块来提高视觉转换器的效率：（1）图像块全维度增强模块。设计了一个与图像块序列大小相同的可学习张量，该张量是全维的，并可完全嵌入到图像块序列中，用以丰富训练样本的多样性；（2）图像块序列融合重构模块。提取已经获得的图像块序列中不太重要的部分，并将它们与原始的图像块序列融合以重构原始图像块序列；（3）空间切割模块。从空间方向上对图像块序列进行切片和分组，并引入身份损失，可以有效提高图像块序列的短程相关性。对遮挡和整体重识别数据集的实验结果表明，所提网络的性能优于其他先进方法。