Occluded Cloth-Changing Person Re-Identification

衣物变换行人再识别旨在利用行人衣物变换场景中与衣物无关的特征来检索和识别特定行人。然而，在现实场景下，监控探头捕捉到的行人图像通常会存在遮挡。由于遮挡导致判别衣物无关特征减少，现有的衣物变换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行人再识别定义为遮挡衣物变换行人再识别（Occ-CC-ReID），据我们所知，我们是第一个提出遮挡衣物变换行人再识别作为新任务的人。我们构建了两个遮挡衣物变换行人再识别数据集，分别针对不同的遮挡场景：Occluded-PRCC和Occluded-LTCC。可以从以下链接获取数据集：https://github.com/1024AILab/Occluded-Cloth-Changing-Person-Re-Identification。

本论文旨在解决人们在穿衣变化场景下的重识别问题，特别是当存在遮挡时的影响。同时，该论文提出了一个新的任务——遮挡下的穿衣变化人员重识别（Occ-CC-ReID）。

论文的关键思路是使用一种新的方法来解决遮挡下的穿衣变化人员重识别问题，该方法结合了基于图像的遮挡检测和基于关键点的姿态估计。

论文构建了两个遮挡下的穿衣变化人员重识别数据集，分别为Occluded-PRCC和Occluded-LTCC。实验结果表明，该方法在遮挡下的情况下能够有效地提高穿衣变化人员的重识别性能。

在相关研究方面，最近的研究主要集中在人员重识别和姿态估计领域，例如“Beyond Part Models: Person Retrieval with Refined Part Pooling”和“DeepPose: Human Pose Estimation via Deep Neural Networks”。