基于语义引导遮挡模拟与局部特征语义增强网络（FOSENet）在行人重识别中的创新应用

本文提出FOSENet模型，通过语义引导遮挡模拟（SGOS）生成语义关联遮挡块，结合局部特征语义扩展（LFSE）增强关键区域判别力，并引入跨中心偏移损失函数优化类间距离，显著提升遮挡场景下的行人重识别（Re-ID）性能。

　　

Highlight

我们的主要贡献可归纳如下：

• •
  提出语义引导遮挡模拟方法（Semantic-guide Occlusion Simulation, SGOS），基于目标行人语义信息生成语义关联遮挡块，并通过位置、形状和上下文语境实现遮挡模拟，生成更多样化的遮挡行人样本。
• •
  开发局部特征语义扩展方法（Local Feature Semantic Extension, LFSE），通过选取关键区域周边有用局部区域获取额外语义信息，从而增强行人特征的判别能力。
• •
  引入跨中心偏移损失函数（Cross-Center Offset Loss），增大两类最近邻样本对之间的距离以优化模型，提升其泛化能力。
• •
  在四个大规模基准数据集（Market-1501、DukeMTMC-REID、CUHK03-NP 和 Occluded-DukeMTMC）上开展广泛实验，验证所提出方法的有效性，取得了具有竞争力的性能表现。

Overview of The Proposed Method

本文提出的整体网络结构如图1所示。我们提出了一种基于语义引导遮挡模拟的局部特征语义扩展网络（FOSENet），以解决真实场景中因语义遮挡导致的局部语义信息表示能力有限的问题。首先，FOSENet 融合遮挡块与行人语义信息，生成语义关联遮挡块，并进一步模拟遮挡。

Conclusion

本文提出了一种基于语义引导遮挡模拟的局部特征语义扩展网络（FOSENet），用于解决真实场景中语义遮挡所造成的局部语义信息表示能力受限的问题。FOSENet 将遮挡区域与行人语义信息相结合，系统性地生成有针对性的行人遮挡样本，从而增加行人样本多样性，并增强模型适应性。