开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第34天，点击查看活动详情

论文--[1] Yan Huang, Qiang Wu, JingSong Xu, et al. Clothing Atatus Awareness for Long-Term Person Re-Identification[J]. In ICCV, 2021.

摘要

Long-Term person reidentification(LT-reID)暴露了极端的挑战，因为两个录像片段之间的时间间隔更长，行人可能会换衣服。LT-reID有两种方法:基于生物特征的方法和基于数据自适应的方法。前者是寻找与服装无关的生物特征，寻求高质量的生物特征是主要关注的问题。后者采用微调策略，使用服装变化较大的数据。但是，如果在不换衣服的情况下使用，性能就会下降。这项研究认为，这些方法实际上并没有意识到行人的服装状态(即，改变或不变)。相反，他们盲目地认为所有行人的镜头都有不同的衣服。为了解决这一问题，提出了一种基于服装状态感知网络(RCSANet)的规则化方法，通过嵌入服装状态感知对行人进行规则化描述。因此，可以增强描述，在保持最佳身份识别特征的同时，提高其对现实生活中有更衣情况和无更衣情况的LT-reID的鲁棒性。

贡献

1)与现有的基于生物识别和数据适应的方法不同，本文提出了一种新的服装状态感知LT-reID解决方案。

2)提出的RCSANet明确构建了一个服装状态感知学习过程，用于增强LT-reID中ID特征处理换衣服情况和不换衣服情况的鲁棒性。

3)进行了大量的实验，在三个LT-reID基准上验证了我们的RCSANet的有效性，其中有更衣情况和不更衣情况存在。

方法

RCSANet包括一个类间强制(ICE)流和一个类内外观正则化(ICR)流。作为一个次要的贡献，ICE流是一个设计良好的基线模型，通过最大化不同种族之间的差异来学习识别特征。作为主要贡献，ICR流被用于规范ICE通过对每个个体的服装状态感知学习到的特征，以鼓励在现实LT-reID中，ID特征可以用于换衣服和不穿衣服的情况。

实验

骨干网络:imagenet训练的DenseNet-121，不共享参数

预训练：ICR在market1501上进行预训练

聚类任务：DBSCAN

数据集：三个LT-reID数据集：Celeb-reID、Celeb-reIDlight和PRCC