Considerando as diferenças intra-classes significativas entre diferentes câmeras e as mudanças em alguns pedestres, como troca de roupas, que levam à queda no reconhecimento, propõe-se um framework de aprendizado conjunto que integra a geração de dados por meio de redes adversariais generativas (GAN) e o aprendizado de reidentificação de pedestres de ponta a ponta. Primeiramente, baseado na rede DGNet, os blocos residuais ResBlock do gerador e do discriminador são substituídos por DenseBlocks para fortalecer a propagação das características e evitar o desaparecimento do gradiente. Em seguida, o módulo gerador produz imagens sintéticas de alta qualidade por meio da alternância da codificação de aparência e estrutura. Por fim, um novo mecanismo de atenção (NAM) é incorporado ao módulo discriminador para suprimir pesos menos significativos e concentrar-se mais nas regiões alvo necessárias. As imagens geradas pelo módulo gerador são retroalimentadas online ao módulo discriminador para verificar a autenticidade da imagem, enquanto os resultados são também retroalimentados ao módulo de reidentificação de pedestres para classificação (o módulo discriminador e o módulo de reidentificação de pedestres são compartilhados). Nos conjuntos de dados Market-1501 e DukeMTMC-reID, os índices rank-1/mAP atingem 95,7%/88,6% e 87,1%/75,7%, respectivamente.

reidentificação de pedestres; codificação de aparência; codificação de estrutura; GAN; DenseBlock; NAM