admin管理员组

文章数量:1652182

（1）出发点：现有的几种主流方法一般利用额外的线索（例如，人体姿势信息）来区分人体部位和障碍物，以缓解遮挡问题。尽管取得了令人鼓舞的进展，但这些方法严重依赖细粒度的额外线索，并且对额外线索中的估计误差很敏感。

               

(a)、(b) 说明了使用现有的姿态估计器对现有 ReID 数据集的姿态粒度和估计误差之间的关系。现有的最先进的方法严重依赖于细粒度的姿势线索，但会受到噪声姿势检测的影响。因此，它们很难直接学习遮挡鲁棒的特征。(c) 说明了论文的基本思想。模型从不完美的姿势线索到身体部位的可见性学习了一个强大的映射，以减轻遮挡的影响。

（2）目标（解决问题）：论文的目标是找到一种在不严重依赖姿态信息的情况下处理遮挡问题的解决方案，即，它可以通过粗略的姿态信息实现优越的性能。

（3）贡献：

1>. 第一个定量探索姿势信息的质量如何影响被遮挡的人 ReID 的性能。

1）虽然稀疏的姿态粒度包含较少的噪声，但它会导致 ReID 模型的性能明显下降。

2）额外的线索通常是在估计错误的情况下提取的，这会损害 ReID 模型的性能；真实的细粒度的额外提示可以带来性能提升，但是很难获得，这通常需要耗费时间和人力的注释。

                                          

2>. 设计了一个简单但有效的框架，在区域可见性鉴别器的帮助下准确感知人的遮挡区域。

模型基于 PCB 。该模型主要包括部分标签生成器、区域可见性鉴别器和可见性引导约束，旨在学习从粗略的姿势线索到人体部位的可见性分数的鲁棒映射。

首先学习一个部分标签生成器，生成不同身体部位的部位标签。然后，我们基于生成的部分标签开发了一个区域可见性鉴别器，它学习了从姿势到水平条纹可见性分数的稳健映射。更具体地说，结合现成的姿势估计器来获得人的姿势关键点。对于每个关键点，姿势估计器预测其坐标和置信度得分。利用这些信息进行冗余投票来确定某个部分是可见的还是被遮挡的。然后我们可以获得不同身体部位的粗略部分标签。然后我们利用这些粗略的部分标签来优化训练阶段的区域可见性鉴别器。

                

个人拙见，如有错误，欢迎交流指正！！ 

本文标签： AwareVisibilityLearningApproachIdentification

版权声明：本文标题：Learning to Know Where to See: A Visibility-Aware Approach for Occluded Person Re-identification阅读记录 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dongtai/1729578825a1207353.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。