$OC^4-ReID$: Occluded Cloth-Changing Person Re-Identification

要約

衣服変化人物再識別（CC-ReID）の研究は、通常、歩行者画像全体が見えるという前提の下で、衣服が変化した特定の歩行者を検索することに焦点を当てている。しかし、実世界の歩行者画像は障害物によって部分的に隠されていることが多く、既存のCC-ReIDシステムにとって大きな課題となっている。本論文では、衣服の変化とオクルージョンという2つの課題を同時に解決する、オクルージョン衣服変化人物再識別（Occluded Cloth-Changing Person Re-Identification、$OC^4-ReID$）と呼ばれる、より困難な課題を紹介する。具体的には、元のCC-ReIDデータセットを基に、歩行者の主要な構成要素（例えば、頭部、胴体）のランダムなオクルージョンを含む2つの新しいデータセット、Occ-LTCCとOcc-PRCCを構築する。さらに、$OC^4-ReID$に対して、オクルージョンの影響を緩和するためのTrain-Test Micro Granularity Screening ($T^2MGS$)モジュールを組み込んだ新しいベンチマークを提案し、部分特徴学習のためのPart-Robust Triplet (PRT)損失を提案する。提案データセットと2つのCC-ReIDベンチマークデータセットを用いた包括的な実験により、提案手法が他の最先端手法に対して優れた性能を持つことを実証する。コードとデータセットはhttps://github.com/1024AILab/OC4-ReID。

要約(オリジナル)

The study of Cloth-Changing Person Re-identification (CC-ReID) focuses on retrieving specific pedestrians when their clothing has changed, typically under the assumption that the entire pedestrian images are visible. Pedestrian images in real-world scenarios, however, are often partially obscured by obstacles, presenting a significant challenge to existing CC-ReID systems. In this paper, we introduce a more challenging task termed Occluded Cloth-Changing Person Re-Identification ($OC^4-ReID$), which simultaneously addresses two challenges of clothing changes and occlusion. Concretely, we construct two new datasets, Occ-LTCC and Occ-PRCC, based on original CC-ReID datasets to include random occlusions of key pedestrians components (e.g., head, torso). Moreover, a novel benchmark is proposed for $OC^4-ReID$ incorporating a Train-Test Micro Granularity Screening ($T^2MGS$) module to mitigate the influence of occlusion and proposing a Part-Robust Triplet (PRT) loss for partial features learning. Comprehensive experiments on the proposed datasets, as well as on two CC-ReID benchmark datasets demonstrate the superior performance of proposed method against other state-of-the-art methods. The codes and datasets are available at: https://github.com/1024AILab/OC4-ReID.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL