基于可学习掩模和位置编码的遮挡行人重识别

行人重识别虽已取得了显著进展，但在实际应用场景中，不同障碍物引起的遮挡问题仍然是一个亟待解决的挑战。为了从被遮挡行人中提取更有效的特征，提出了一种基于可学习掩模和位置编码（Learnable mask and position encoding， LMPE）的遮挡行人重识别方法。首先，引入了一种可学习的双路注意力掩模生成器（Learnable dual attention mask generator， LDAMG），生成的掩模能够适应不同遮挡模式，显著提升了对被遮挡行人的识别准确性。该模块可以使网络更灵活，能更好地适应多样性的遮挡情况，有效克服了遮挡带来的困扰。同时，该网络通过掩模学习上下文信息，进一步增强了对行人所处场景的理解力。此外，为了解决Transformer位置信息损耗问题，引入了遮挡感知位置编码融合 （Occlusion aware position encoding fusion， OAPEF）模块。该模块进行不同层次位置编码融合，使网络获得更强的表达能力。通过全方位整合图像位置编码，可以更准确地理解行人间的空间关系，提高模型对遮挡情况的适应能力。最后，仿真实验表明，本文提出的LMPE在Occluded-Duke和Occluded-ReID遮挡数据集以及Market-1501和DukeMTMC-ReID无遮挡数据集上都取得了较好的效果，验证了本文方法的有效性和优越性。