.png){kind=icon}
返回
A Multi-Granularity Scene-Aware Graph Convolution Method for Weakly Supervised Person Search
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02665-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单步弱监督行人检索（WSPS）在一个统一框架内解决行人检测和重识别（ReID）问题，仅依赖行人边界框标注进行训练，无需身份标签标注。该方法增强了行人检索在实际应用中的实用性和效率。然而，WSPS面临两大主要挑战：（1）ReID与行人检测任务之间的显著特征差异使共享表示学习复杂化；（2）由于检测不精确和复杂场景中显著的类内差异，准确估计每个行人图像的伪身份标签具有挑战性。为应对这些挑战，我们提出了一种多粒度场景感知图卷积框架，该框架联合优化任务特定特征、改进伪标签估计并减少标签噪声的影响。具体而言，我们设计的双分支网络中的多粒度特征对齐（MFA）模块利用多粒度间的双向聚类级交互解决特征差异。基于MFA，我们开发了基于图卷积的特征增强模块（GSE），以实现更可靠的场景感知伪标签估计。同时，具有全局-局部协作学习（LCL）机制的标签精炼模块通过在全局和局部层面精炼标签来应对标签噪声，确保更稳健的弱监督学习。广泛的实验评估证明了所提方法的有效性，在CUHK-SYSU和PRW数据集上显著优于当前最优方法。代码可在https://github.com/haichuntai/MSGM-main获取。
Keyword:
Weakly Supervised Person Search
Multi-granularity Feature Alignment
Graph Convolution
Pseudo-Label Estimation and Refinement
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容