В связи с существенными внутриклассовыми различиями между различными камерами, а также с изменениями некоторых пешеходов, такими как смена одежды, что приводит к снижению точности распознавания, предложена совместная обучающаяся структура, объединяющая генерацию данных с помощью генеративно-состязательной сети (GAN) и обучение повторному распознаванию пешеходов в едином конце. Во-первых, на основе сети DGNet резидуальные блоки ResBlock в генераторе и дискриминаторе заменены на DenseBlock для усиления передачи признаков и предотвращения исчезновения градиентов. Затем генеративный модуль с переключением кодирования внешнего вида и структуры генерирует изображения высокого качества. Наконец, в дискриминатор добавлен новый механизм внимания (NAM), подавляющий менее значимые веса и уделяющий больше внимания требуемым целевым областям. Сгенерированные модулем изображения онлайн передаются дискриминатору для оценки подлинности, при этом результаты также передаются модулю повторного распознавания пешеходов для классификации (дискриминатор и модуль распознавания пешеходов общие). По наборам данных Market-1501 и DukeMTMC-reID показатели rank-1/mAP составляют 95,7%/88,6% и 87,1%/75,7% соответственно.

повторное распознавание пешеходов; кодирование внешнего вида; кодирование структуры; GAN; DenseBlock; NAM