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]*Xinqian Gu, Hong Chang, Bingpeng Ma, et al. Clothes-Changing Person Re-identification with RGB Modality Only [J]. In CVPR, 2022.

摘要

解决换衣人再识别的关键是提取与衣服无关的特征，例如，面部、发型、身体形状和步态。目前的大多数工作主要集中在从多模态信息（如轮廓和草图）建模身体形状，但没有充分利用原始RGB图像中与衣服无关的信息。在本文中，提出了一种基于衣服的对抗性损失（CAL），通过惩罚衣服的预测能力re-id模型，从原始RGB图像中挖掘与衣服相关的特征。

此外，与图像相比，视频包含更丰富的外观和额外的时间信息，可用于建模适当的时空模式，以帮助服装更换re-id。由于没有公开可用的换衣视频re id数据集，我们提供了一个名为CCVID的新数据集，并表明在时空信息建模方面存在很大的改进空间。代码和新数据集可从github.com/guxinqian/S…

贡献

l 适当设计损失函数，从resnet中提取到与衣服无关的重要信息。--基于服装的对抗性损失（CAL）--在reid模型的主干后面添加服装分类器，并将CAL定义为多正类分类损失，其中属于相同身份的所有服装类都是相互正类。在训练过程中，最小化CAL可以迫使re id模型的主干通过惩罚re id模型对相同身份的不同衣服的预测能力来学习与衣服无关的特征。通过反向传播，与仅用识别丢失训练的特征图相比，学习的特征图可以突出更多与衣服无关的特征，例如发型和体型

l 根据步态识别数据集（FVG）的原始数据重建了一个新的服装更换视频人物识别数据集（C CVID ） 。

方法

学习与衣服无关的特征。固定衣服分类器的参数，使用一个多正类分类损失，其中属于同一身份的所有服装类别都是相互正类。

实验

数据集：CCVID(本文重新组织的视频序列换衣行人重识别数据集)，PRCC,LTCC