CCPA: Long-term Person Re-Identification via Contrastive Clothing and Pose Augmentation

要約

長期人物再識別 (LRe-ID) は、衣服、ポーズ、視点のバリエーションを提示しながら、長期間にわたってカメラ全体で個人を照合することを目的としています。
この研究では、LRe-ID 用の CCPA: Contrastive Clothing and Pose Augmentation フレームワークを提案します。
CCPA は、外観を超えて、リレーション グラフ アテンション ネットワークを使用して、布地に依存しない体型情報をキャプチャします。
堅牢な LRe-ID モデルをトレーニングするには、幅広い衣服のバリエーションと高価な布のラベルが必要ですが、現在の LRe-ID データセットにはこれらの機能がありません。
これに対処するために、アイデンティティ間で服装とポーズの転送を実行し、より多くの服装のバリエーションや、似たような服装をしているさまざまな人物の画像を生成します。
拡張された画像のバッチは、私たちが提案する細粒度コントラスト損失への入力として機能します。これは、Re-ID モデルを監視して長期シナリオの下で識別的な人物の埋め込みを学習するだけでなく、分布内データの生成も保証します。
LRe-ID データセットの結果は、CCPA フレームワークの有効性を示しています。

要約(オリジナル)

Long-term Person Re-Identification (LRe-ID) aims at matching an individual across cameras after a long period of time, presenting variations in clothing, pose, and viewpoint. In this work, we propose CCPA: Contrastive Clothing and Pose Augmentation framework for LRe-ID. Beyond appearance, CCPA captures body shape information which is cloth-invariant using a Relation Graph Attention Network. Training a robust LRe-ID model requires a wide range of clothing variations and expensive cloth labeling, which is lacked in current LRe-ID datasets. To address this, we perform clothing and pose transfer across identities to generate images of more clothing variations and of different persons wearing similar clothing. The augmented batch of images serve as inputs to our proposed Fine-grained Contrastive Losses, which not only supervise the Re-ID model to learn discriminative person embeddings under long-term scenarios but also ensure in-distribution data generation. Results on LRe-ID datasets demonstrate the effectiveness of our CCPA framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google