多尺度细节信息融合的行人重识别方法DIFReID：增强特征表征的完整性与判别力

本文提出DIFReID框架，通过多尺度注意力模块（MSAM）、精细化语义解析模块（RSPM）和跨模态图卷积模块（CMGM），创新性地融合图像多尺度特征、个人物品语义信息及属性特征，有效解决行人重识别（ReID）中细节信息利用不足的难题，在Market-1501和DukeMTMC-ReID数据集上达到SOTA性能。

　　

亮点

DIFReID通过三大核心模块实现细节信息深度融合：多尺度注意力机制（MSAM）突破传统方法的空间尺度局限，精细化语义解析（RSPM）补全被忽略的个人物品特征，跨模态图卷积（CMGM）构建图像-属性关联网络，显著提升行人特征的完备性与区分度。

结论

本研究提出的DIFReID框架系统性整合了多尺度空间信息、语义级物品特征和跨模态属性关联，在复杂场景下实现了更具判别力的行人表征。实验证明该方法在遮挡处理、细粒度区分等挑战性任务中表现优异，为智能监控系统提供了新思路。

作者贡献声明

薛冰白：负责论文撰写、实验验证与方法设计；郭继昌：指导算法优化与资源协调；车进：参与项目规划与理论验证。

利益冲突声明

作者声明无任何可能影响本研究公正性的财务或个人关系。

致谢

本研究受国家自然科学基金（62366042、62171315）和宁夏自然科学基金（2023AAC03127）资助。