Occluded Cloth-Changing Person Re-Identification

衣物变换的人员再识别旨在通过使用与衣物无关的特征在人员衣物变换场景中检索和识别特定的行人。然而，在现实世界场景中，监控探头捕捉的行人图像通常包含遮挡物。由于遮挡物减少了具有区分性的与衣物无关的特征，现有的衣物变换的人员再识别方法的性能显著下降。我们将遮挡场景下的衣物变换的人员再识别定义为遮挡衣物变换的人员再识别（Occ-CC-ReID），据我们所知，我们是第一个提出遮挡衣物变换的人员再识别作为一个新任务的团队。我们构建了两个遮挡衣物变换人员再识别数据集：Occluded-PRCC和Occluded-LTCC。这些数据集可以从以下链接获取：https://github.com/1024AILab/Occluded-Cloth-Changing-Person-Re-Identification。

本论文旨在解决在行人服装更换场景中，由于遮挡导致的服装无关特征减少而降低现有行人服装更换识别方法的性能。该论文提出了遮挡的行人服装更换识别作为一个新的任务，并构建了两个数据集。

该论文提出了一种基于图像分割的方法，通过将遮挡部分从图像中分离出来，提取出更多的服装无关特征，从而提高了遮挡情况下的行人服装更换识别性能。

该论文通过实验验证了所提出的方法在遮挡情况下的有效性。同时，作者还开源了两个数据集，为该领域的研究提供了参考。值得进一步研究的方向包括如何提高遮挡情况下的行人服装更换识别性能，以及如何将该方法应用到实际场景中。

在相关研究中，有一些研究集中在提高行人服装更换识别的性能，例如“Beyond Part Models: Person Retrieval with Refined Part Pooling”和“Spatial-Temporal Re-identification with Latent Space Alignment and Multi-scale Features”。另外，也有一些研究关注于遮挡情况下的行人识别，例如“Mask-Guided Contrastive Attention Model for Person Re-Identification under Occlusion”。