摘要

人员重识别（reID）是一项重要的任务，其目标是在给定一张感兴趣人员的图像后，从图像数据集中检索出该人员的其他图像。为了学习鲁棒的人员特征，人员图像的姿态变化是其中的关键挑战之一。现有的解决方法要么进行人体对齐，要么学习基于人体区域的表示，这通常需要额外的姿态信息和计算成本来进行推理。为了解决这一问题，提出了一种特征蒸馏生成对抗网络（FD-GAN），用于学习与身份相关且与姿态无关的表示。该框架基于孪生结构，并引入了多个新颖的人体姿态和身份判别器。除了这些判别器外，还集成了一个新颖的同姿态损失函数，要求同一人的生成图像在外观上具有相似性。通过在姿态引导下学习与姿态无关的人员特征，在测试阶段不再需要辅助姿态信息和额外的计算成本。我们提出的FD-GAN在三个人员重识别数据集上取得了最先进的性能，这表明了所提FD-GAN的有效性和强大的特征蒸馏能力。