摘要

在行人重识别（ReID）任务中，许多现有方法通过学习局部特征以提升相较于全局图像特征的性能。现有的方法通常通过手工设计的图像分割方式，或借助外部视觉系统获取的关键点来显式提取局部特征。本文提出一种新型的判别性隐式部件（Discriminative Implicit Parts, DiPs），其与显式的身体部位解耦，因此DiPs能够自主学习任何有助于区分身份的判别性特征，而不仅限于预定义的身体部位（如配饰等）。此外，本文提出一种新颖的隐式位置（implicit position）概念，为每个DiP提供几何意义上的解释，并可作为学习信号，引导DiPs在图像中对身份保持更强的位置等变性（position-equivariance）。最后，引入一种额外的DiP加权机制，以应对遮挡或不可见情况，进一步提升DiPs的特征表达能力。大量实验表明，所提方法在多个主流行人重识别基准上均取得了当前最优的性能。