一、提出问题
行人重识别任务需要稳健地估计人物图像之间的视觉相似性。然而,现有的人物识别模型主要是独立地估计probe和gallery图像的不同图像对的相似性,而忽略了不同probe-gallery图像对之间的关系信息,这就造成了一些困难样本的相似性估计可能不准确。
二、论文贡献
- 提出了一种新的相似性引导图神经网络(SGGNN)用于行人重识别,该模型可以进行端到端的训练。与大多数利用后处理阶段中样本之间的图库间图像关系的现有方法不同,SGGNN在训练阶段中结合了图库间图像关系以增强特征学习过程,可以学习更多的辨别和准确的人物图像特征表示
- 与大多数图形神经网络(GNN)方法不同,SGGNN利用训练标签监督来学习更准确的特征融合权重,以更新节点的特征。 这种相似性引导方式确保特征融合权重更加精确,并进行更合理的特征融合。本文提出的方法的有效性通过对三个行人重识别数据集的广泛实验来验证。
三、模型结构
- 输入:一个probe图像和多个gallery图像
- 输出:每个probe-gallery图像对的相似性得分
3.1 图公式及节点特征
将行人重识别构造成以节点为中心的图,给定一个probe图像和N个gallery图像,构造无向完