摘要：在无监督换装行人重识别任务中，服装的变化会造成外观特征表示不稳定，导致网络的识别率降低。为此，基于协同对齐互交叉注意力(Co-attention Aligned Mutual Cross-attention，CAMC)算法提出了一种由行人体形引导的双分支网络(Shape-guided Network， SG-Net)。SG-Net提取行人的外观特征和关键点信息，通过注意力机制增强外观特征中的脸部区域，将关键点信息编码为人体的体形特征。外观特征与体形特征对齐后，将与服装无关的身份信息，如体形等传递到外观特征空间中，生成鲁棒的外观特征表示。无监督场景下，融合外观特征与体形特征进行聚类为样本生成伪标签用于监督网络训练。在Celeb-ReID-light数据集实验结果表明，与基准网络ResNet50相比，SG-Net算法的mAP和Rank-1指标分别提高了2.3%和5.0%。
文章目录
1 重识别网络的构建
1.1 双分支网络架构
1.2 外观特征提取分支
1.3 体形特征提取分支
1.4 损失函数
2 实验结果及讨论
2.1 数据集和评价指标
2.2 实施细节
2.3 实验结果及比较分析
2.4 消融实验
3 结论
