Debido a las notables diferencias intra-clase entre diferentes cámaras y a cambios en algunos peatones como el cambio de ropa que provocan una disminución en el reconocimiento, se propone un marco de aprendizaje conjunto que integra la generación de datos mediante una red adversarial generativa (GAN) y el aprendizaje de la re-identificación de peatones de extremo a extremo. Primero, basado en la red DGNet, los bloques residuales ResBlock en el generador y el discriminador son reemplazados por DenseBlock para fortalecer la propagación de características y evitar la desaparición del gradiente. Luego, el módulo de generación crea imágenes sintéticas de alta calidad mediante el cambio de codificación de apariencia y estructura. Finalmente, en el módulo discriminador se añade un nuevo mecanismo de atención (NAM) para suprimir pesos menos significativos y enfocarse más en las áreas objetivo necesarias. Las imágenes generadas por el módulo de generación se retroalimentan en línea al módulo discriminador para discriminar la autenticidad de las imágenes, y al mismo tiempo los resultados se retroalimentan al módulo de re-identificación de peatones para su clasificación (el módulo discriminador y el módulo de re-identificación de peatones son compartidos). En los conjuntos de datos Market-1501 y DukeMTMC-reID, el rank-1/mAP alcanzó respectivamente 95.7%/88.6% y 87.1%/75.7%.

re-identificación de peatones; codificación de apariencia; codificación de estructura; GAN; DenseBlock; NAM