Robust Ensemble Person Re-Identification via Orthogonal Fusion with Occlusion Handling

遮挡仍然是人物再识别（ReID）中的主要挑战之一，这是由于姿态的多样性和外观的变化所致。开发新的架构以提高遮挡感知的人物再识别的鲁棒性需要新的见解，特别是对于低分辨率边缘摄像头。我们提出了一种深度集成模型，利用CNN和Transformer架构生成鲁棒的特征表示。为了实现鲁棒的再识别，无需手动标记遮挡区域，我们提出采用基于集成学习的方法，该方法源于任意形状的遮挡区域和鲁棒特征表示之间的类比。使用正交原理，我们开发的深度CNN模型利用遮罩自编码器（MAE）和全局局部特征融合进行鲁棒的人物识别。此外，我们提出了一种部分遮挡感知Transformer，能够学习对遮挡区域鲁棒的特征空间。在多个Re-ID数据集上报告了实验结果，以展示我们开发的名为正交融合遮挡处理（OFOH）的集成模型的有效性。与竞争方法相比，所提出的OFOH方法具有竞争力的排名1和mAP性能。

本文旨在解决人物再识别中的遮挡问题，提出了一种深度集成模型来生成鲁棒的特征表示。作者试图回答如何实现鲁棒的人物再识别，特别是在低分辨率边缘相机中如何处理遮挡问题的问题。

本文提出了一种基于集成学习的方法，使用掩膜自编码器和全局局部特征融合来实现鲁棒的人物再识别。作者使用正交原理，将遮挡区域看作鲁棒特征表示的类比，提出了深度CNN模型和部分遮挡感知变压器模型，用于学习对遮挡区域鲁棒的特征空间。

本文的亮点在于提出了一种新的深度集成模型来解决人物再识别中的遮挡问题。作者还在多个数据集上进行了实验，并展示了OFOH方法相比竞争方法具有更好的rank-1和mAP性能。此外，作者还提供了开源代码。

近年来，人物再识别领域已经有了很多相关研究。例如，“ReID-Net: A Recurrent Neural Network for Person Re-Identification”和“Deep Learning for Person Re-identification: A Survey and Outlook”等。