Keypoint Promptable Re-Identification

本文研究了被遮挡个体的再识别（ReID）问题，即通过外观匹配来识别被遮挡的个体。虽然许多研究已经解决了由物体引起的遮挡问题，但多人遮挡问题仍然较少被研究。本文发现并解决了之前被忽视的一个关键挑战：多人歧义（MPA），即当同一边界框中出现多个个体时，无法确定目标ReID对象，因此引入了Keypoint Promptable ReID（KPR）的新方法。该方法通过在输入边界框中添加一组语义关键点来明确指示目标对象。由于可提示的再识别是一个未被探索的范式，现有的ReID数据集缺乏必要的像素级注释，因此作者提出了一个新的ReID数据集——Occluded-PoseTrack ReID，具有关键点标签，具有强的人物交叉遮挡。此外，作者还为四个流行的ReID基准测试提供了自定义关键点标签。人物检索和姿态跟踪的实验证明，该方法在各种遮挡场景中系统地超越了之前的最先进方法。作者提供了代码、数据集和注释，可在https://github.com/VlSomers/keypoint_promptable_reidentification上获得。

本论文旨在解决多人遮挡情况下的人物再识别问题，特别是解决多人遮挡带来的多人歧义性问题。

本文提出了一种新的人物再识别范式——Promptable ReID，并且引入了语义关键点来解决多人歧义性问题。同时，作者提出了一个新的数据集Occluded-PoseTrack ReID，来支持Promptable ReID的研究。

本文的亮点包括：1. 提出了Promptable ReID范式来解决多人歧义性问题。2. 引入了语义关键点来支持Promptable ReID的实现。3. 提出了一个新的数据集Occluded-PoseTrack ReID，来支持Promptable ReID的研究。4. 在多个数据集和实验中，作者的方法都取得了state-of-the-art的效果。5. 作者开源了代码、数据集和语义关键点注释。

近期相关研究包括：1. Mask ReID: A Mask-based Framework for Person Re-identification in Crowded Scenes. 2. Occlusion-aware Refined Deep Feature Re-ranking for Person Re-identification. 3. Learning to Detect and Track Visible and Invisible Persons in Thermal Infrared Imagery.