Face aux différences intra-classes significatives entre différentes caméras, et aux changements chez certains piétons tels que le changement de vêtements qui entraînent une baisse de la reconnaissance, un cadre d'apprentissage conjoint intégrant la génération de données via un réseau antagoniste génératif (GAN) et l'apprentissage de la ré-identification des piétons de bout en bout est proposé. Tout d'abord, basé sur le réseau DGNet, les blocs résiduels ResBlock du générateur et du discriminateur sont remplacés par des DenseBlock afin de renforcer la propagation des caractéristiques et d'éviter la disparition des gradients. Ensuite, le module de génération produit des images synthétiques de haute qualité en basculant entre le codage d'apparence et de structure. Enfin, un nouveau mécanisme d'attention (NAM) est ajouté dans le module discriminateur pour supprimer les poids moins significatifs et se concentrer davantage sur les zones cibles nécessaires. Les images générées par le module de génération sont rétroalimentées en ligne au module discriminateur pour vérifier l'authenticité des images, tout en renvoyant les résultats au module de ré-identification des piétons pour la classification (le module discriminateur et le module de ré-identification des piétons sont partagés). Sur les ensembles de données Market-1501 et DukeMTMC-reID, le rank-1/mAP atteint respectivement 95,7%/88,6% et 87,1%/75,7%.

ré-identification des piétons; codage d'apparence; codage de structure; GAN; DenseBlock; NAM