基于姿态-块映射的纹理感知Transformer在遮挡行人重识别中的创新应用

本文提出了一种创新的纹理感知Transformer模型（TTPM），通过姿态-块映射（PPM）和多块特征编码器（MFE）解决遮挡行人重识别（re-ID）中的姿态错位和非目标行人干扰问题。该模型无需生成遮挡样本，通过纹理感知解码器（TAD）增强判别性区域表征，在Occluded-Duke数据集上mAP提升5.6%，Rank-1提升7.0%，为复杂场景下的行人追踪提供新思路。

　　

Highlight

遮挡行人重识别（re-ID）的核心挑战在于极端遮挡导致的姿态错位和非目标行人干扰。传统方法依赖外部姿态估计或遮挡样本生成，但难以应对上述问题。本文提出的Texture-Aware Transformer with Pose-Patch Mapping（TTPM）通过三重创新设计实现突破：

Multi-patch Feature Encoder (MFE)

在块间（inter-patch）和块内（intra-patch）两个层级编码特征，确保语义丰富性和紧凑性。例如，将图像分割为16×16的小块，通过交叉注意力机制捕捉局部与全局关系。

Pose-Patch Mapping (PPM)

建立姿态与图像块的直接映射关系，通过相似度矩阵动态调整遮挡块权重。实验显示，该方法使人体区域的关注度提升23%，而遮挡区域响应降低至0.2以下。

Texture-Aware Decoder (TAD)

采用多头注意力机制分层学习纹理特征，如背包、雨伞等判别性外观。通过跨注意力融合姿态约束，使目标区域特征强度提升1.8倍，显著增大类间差异。

Conclusion

在Occluded-Duke和Occluded-REID数据集上的实验表明，TTPM的mAP分别达到62.3%和78.1%，较基线模型提升显著。该方法为监控安防中的目标追踪提供了更鲁棒的解决方案。