结合双路网络和多标签分类的弱监督行人搜索

有监督的行人搜索方法依赖于行人框和行人身份的精细标记，而大规模数据集下行人框的标注较易实现，但跨图像的行人身份标记却非常困难。为了摆脱对行人身份标签的依赖，只借助行人框标注，设计了结合双路网络和多标签分类的弱监督行人搜索方法，同时对行人定位和再识别任务进行联合优化。为减少行人定位误差引起的背景信息干扰，融合全景图像分支和裁剪图像分支进行双路特征学习，通过最小化两分支中同行人实例的特征差异来增强网络对行人区域语义信息的表征能力。同时，为解决无身份标签监督下行人可辨识特征的学习问题，设计了在线多标签预测，通过相似度阈值和互近邻原则来提升标签的可靠性。最后利用基于特征存储的非参数化分类器进行多标签分类学习，鼓励相似度高的特征聚合，相似度低的特征分离。实验评估在CUHK-SYSU数据集的mAP和top-1分别达到84.2%和86.0%，在PRW数据集的mAP和top-1分别达到38.8%和85.1%，与最新的方法相比性能表现突出。