摘要

遮挡行人重识别（ReID）旨在跨不同摄像头视图匹配遮挡行人图像与整体行人图像。目标行人在通常情况下会受到非行人遮挡（NPO）和非目标行人（NTP）的干扰。以往的方法主要集中在提高模型对NPO的鲁棒性，而忽略了来自NTP的特征污染问题。在本文中，我们提出了一种新颖的特征擦除与扩散网络（FED），以同时处理NPO和NTP。具体而言，通过我们提出的遮挡擦除模块（OEM），结合NPO增强策略模拟整体行人图像上的非行人遮挡并生成精确的遮挡掩模，从而消除NPO特征。随后，我们通过一种新颖的特征扩散模块（FDM）利用可学习的交叉注意力机制，在特征空间中扩散行人的表示与其他记忆特征，合成NTP特性。在OEM提供的遮挡分数指导下，特征扩散过程主要在可见身体部位上进行，这保证了合成的NTP特性的质量。通过在我们提出的FED网络中联合优化OEM和FDM，可以显著提升模型对目标行人的感知能力，并减轻NPO和NTP的影响。此外，所提出的FDM仅作为训练阶段的辅助模块，在推理阶段将被丢弃，因此引入的推理计算开销很小。在遮挡和整体行人重识别基准数据集上的实验表明，FED优于现有方法，在Occluded-REID数据集上达到了86.3%的第一名准确率，至少超过其他方法4.7%。