动机:
这篇文章的中心思想很明确,就是针对于目标遮挡情况下的行人重识别问题。我们知道在目标检测的数据集,尤其是较密集的数据集里对检测目标都会有是否遮挡这样的标注,而re-id数据集里,默认的都是少部分遮挡的目标。所以这个工作对于现实场景下的很有帮助。
创新:
这个文章对于遮挡目标的处理方法很直接,就是将未遮挡区域提出其特征,再结合原始的全局特征进行re-id学习。
- 遮挡数据集:作者分析了原Duke数据集在training,query,gallery遮挡目标的占比大约是14%/15%/10%。但是现实生活中,检测的目标的遮挡率不可能这么低,所以作者增加了遮挡样本的个数,将query的遮挡样本的数据占比提升到了100%,也就是说,所有的查询目标均为遮挡目标。
- 提取未遮挡部分:这个使用了额外的人体特征点检测的方法,通过COCO数据集标注的人体特征点数据训练一个人体特征点检测网络。将遮挡样本送入到这个网络后,得到了未遮挡区域的关键点。
- 得到关键点特征图:对于每一个检测到的关键点,对其通过2维的高斯函数,得到它对整个图像在这个点的相应程度。当然,若未检测到,则响应为0。