[论文解读] Attributes-aided Part Detection and Refinement for Person Re-identification

Shuzhao Li, Huimin Yu+2 more|arXiv (Cornell University)|Feb 27, 2019

Video Surveillance and Tracking Methods参考文献 20被引用 4

一句话总结

本文提出 APDR，一种新颖的深度学习模型，通过将属性检测用作姿态不变的部件检测器，解决行人重识别中的身体部件错位问题。通过融合属性信息以优化局部特征，APDR 在 Market-1501 和 DukeMTMC-reID 上实现了最先进性能，显著优于现有方法，尤其在重排序后，rank-1 准确率和 mAP 均表现更优。

ABSTRACT

Person attributes are often exploited as mid-level human semantic information to help promote the performance of person re-identification task. In this paper, unlike most existing methods simply taking attribute learning as a classification problem, we perform it in a different way with the motivation that attributes are related to specific local regions, which refers to the perceptual ability of attributes. We utilize the process of attribute detection to generate corresponding attribute-part detectors, whose invariance to many influences like poses and camera views can be guaranteed. With detected local part regions, our model extracts local features to handle the body part misalignment problem, which is another major challenge for person re-identification. The local descriptors are further refined by fused attribute information to eliminate interferences caused by detection deviation. Extensive experiments on two popular benchmarks with attribute annotations demonstrate the effectiveness of our model and competitive performance compared with state-of-the-art algorithms.

研究动机与目标

• 解决由于姿态、视角和遮挡变化导致的行人重识别中身体部件错位这一长期挑战。
• 克服现有部件检测方法依赖姿态估计或弱监督注意力模型的局限性。
• 利用人类属性在感知和语义上的一致性，引导更可靠、更具判别性的局部部件定位。
• 通过融合属性信息优化局部描述符，减少检测误差带来的噪声，提升特征表示能力。
• 构建统一框架，整合属性学习、部件检测与特征优化，实现端到端的重识别性能优化。

提出的方法

• 训练一个属性检测头，通过学习局部区域与属性之间的关联，生成对姿态和视角不变的部件检测器。
• 利用检测到的属性-部件区域作为部件定位器，提取局部深度特征，减少空间错位问题。
• 引入一个简单的属性融合模块，将多个属性整合为紧凑且语义明确的表示。
• 利用融合后的属性表示对提取的局部特征进行优化，抑制由检测偏差引起的无关或噪声特征。
• 将优化后的局部特征与全局图像级特征结合，用于最终的重识别评分。
• 作为后处理步骤应用重排序，进一步提升性能，充分发挥模型的鲁棒性与判别能力。

实验结果

研究问题

• RQ1 属性检测能否被有效重用于行人重识别中的姿态不变部件检测？
• RQ2 与单一属性分类相比，融合多个属性在多大程度上提升了局部部件特征的可靠性和判别性？
• RQ3 基于属性增强的部件检测在多大程度上可减轻检测误差和空间错位对重识别的影响？
• RQ4 基于融合属性信息的优化机制是否相比标准部件池化或注意力机制，能生成更鲁棒的局部特征表示？
• RQ5 在具有大姿态变化和复杂背景的大规模基准数据集上，该模型在挑战性条件下的表现如何？

主要发现

• 在未使用重排序的情况下，APDR 在 Market-1501 上达到 93.1% 的 rank-1 准确率和 80.1% 的 mAP，显著优于大多数最先进方法，包括 PABR 和 RPP。
• 应用重排序后，APDR 在 Market-1501 上达到 94.4% 的 rank-1 准确率和 90.2% 的 mAP，超越了 RPP 模型，创下新的最先进性能记录。
• 在 DukeMTMC-reID 上，APDR 达到 84.3% 的 rank-1 准确率和 69.7% 的 mAP，尽管未使用膨胀结构，但性能与 PABR 和 RPP 相当或更优。
• 经重排序后，APDR 在 DukeMTMC-reID 上达到 87.3% 的 rank-1 准确率和 83.2% 的 mAP，展现出在多样化监控场景下的强大泛化能力。
• 该模型显著优于基于属性的方法（如 APR 和 ACRN），证明通过属性实现感知驱动的部件检测，比简单属性分类更有效。
• 消融实验表明，属性融合与特征优化至关重要，当移除这些组件时模型性能明显下降，证实了其功能上的关键作用。