摘要

人员重识别任务需要稳健地估计不同人物图像之间的视觉相似度。然而，现有的人员重识别模型大多独立地估计探针图像和库图像之间不同图像对的相似度，而忽略了不同探针-库图像对之间的关系信息。因此，某些困难样本的相似度估计可能不够准确。在本文中，我们提出了一种新颖的深度学习框架，称为相似度引导图神经网络（Similarity-Guided Graph Neural Network, SGGNN），以克服这些限制。给定一张探针图像和多张库图像，SGGNN 构建一个图来表示探针-库图像对（节点）之间的两两关系，并利用这些关系以端到端的方式更新探针-库关系特征。通过使用这种更新后的探针-库关系特征进行预测，可以实现准确的相似度估计。图上节点的输入特征是不同探针-库图像对的关系特征。然后，SGGNN 通过消息传递机制更新探针-库关系特征，在此过程中考虑其他节点的信息来进行相似度估计。与传统的图神经网络（Graph Neural Network, GNN）方法不同，SGGNN 直接学习库实例对的丰富标签来确定边权重，这为关系融合提供了更精确的信息。我们在三个公开的人员重识别数据集上验证了所提出方法的有效性。