夏威 袁鑫攀

摘要：文搜圖行人重識別旨在通過給定的文本從行人圖庫中檢索目標(biāo)人物，主要挑戰(zhàn)是學(xué)習(xí)自由視角（姿勢、照明和相機(jī)視點(diǎn)）的圖像和自由形式的文本的魯棒特征。然而，由于在文本描述和行人圖像中存在對行人屬性挖掘的不足，在細(xì)粒度上因?yàn)榧?xì)節(jié)的差異從而影響了文本描述到行人圖像的檢索性能。因此，研究提出了基于屬性依存增強(qiáng)的文搜圖行人重識別。首先，從文本描述解析出依存關(guān)系，并轉(zhuǎn)化為依存矩陣。其次，設(shè)計(jì)了一個基于自注意力的屬性干預(yù)模塊用來融合文本特征和依存矩陣，得到屬性增強(qiáng)的文本特征，此時文本特征經(jīng)過干預(yù)，更為關(guān)注屬性信息。最后，文本特征與圖像特征參與訓(xùn)練，讓整個網(wǎng)絡(luò)對屬性的挖掘更為敏感。在兩個數(shù)據(jù)集CUHK-PEDES和ICFG-PEDES上進(jìn)行實(shí)驗(yàn)，證明了提出的模型的有效性。

關(guān)鍵詞：文搜圖行人重識別?自注意力機(jī)制?句法依存?自由視角

中圖分類號：TP391

Text-to-Image?Person?Reidentification?Based?on?Attribute?Dependency?Augmentation

XIA?Wei??YUAN?Xinpan

Hunan?University?of?Technology，?Zhuzhou，?Hunan?Province，?412000?China

Abstract：?Text-to-Image?Person?Reidentification?（TIPR）?aims?to?retrieve?a?target?person?from?a?pedestrian?gallery?with?a?given?text，?and?its?main?challenge?is?to?learn?the?robust?features?of?free-view?（posture，?lighting?and?camera?viewpoint）?images?and?free-form?texts.?However，?due?to?the?lack?of?pedestrian?attribute?mining?in?text?descriptions?and?pedestrian?images，?the?retrieval?performance?from?text?descriptions?to?pedestrian?images?is?affected?by?differences?in?details?in?fine?granularity.?Therefore，?this?study?proposes?TIPR?based?on?Attribute?Dependency?Augmentation?（ADA）.?Firstly，?it?analyzes?dependencies?from?text?descriptions?and?transforms?them?into?dependency?matrixes.?Then，?it?designs?an?attribute?intervention?module?based?on?self-attention?to?fuse?text?features?and?dependency?matrixes?and?obtains?attribute-augmented?text?features?which?are?more?concerned?about?attribute?information?after?intervention.?Finally，?it?allows?text?features?and?image?features?participate?in?training，?making?the?whole?network?more?sensitive?to?attribute?mining.?Experiments?on?two?datasets?CUHK-PEDES?and?ICFG-PEDES?demonstrate?the?effectiveness?of?the?proposed?model.

Key?Words：?Text-to-Image?Person?Reidentification;?Self-attention?mechanism;?Syntactic?dependency;?Free?view

文搜圖行人重識別（Text-to-Image?Person?Reidentification，TIPR）旨在通過給定的文本從行人圖庫中檢索目標(biāo)人物，其主要挑戰(zhàn)是學(xué)習(xí)對自由視角（姿勢、照明和相機(jī)視點(diǎn)）的圖像和對自由形式的文本具有魯棒性的特征，相比于圖搜圖行人重識別，TIPR更具有挑戰(zhàn)性。現(xiàn)在主流的方法[1-4]之一是利用屬性作為一種手段來表示數(shù)據(jù)的語義，屬性作為TIPR的軟生物特征，是人類可理解的語義概念，例如性別、年齡、服裝描述。因?yàn)槟B(tài)不變的特性，屬性可以作為文本模態(tài)和視覺模態(tài)之間數(shù)據(jù)語義的良好媒介。

盡管現(xiàn)有利用屬性的方法都取得了不錯的性能，但基本上是通用的跨模態(tài)檢索方法的變種，有時對于具有豐富語義的TIPR任務(wù)來說并不是最優(yōu)的解決方案。針對上述存在的技術(shù)問題，提出了基于屬性依存增強(qiáng)（Attribute?Dependency?Augmentation，ADA）的TIPR方法，使用依存關(guān)系的先驗(yàn)知識挖掘?qū)傩孕畔碓鰪?qiáng)語義特征，以額外的行人屬性特征作為關(guān)鍵信息優(yōu)化檢索性能。

1?方法

1.1?數(shù)據(jù)預(yù)處理

1.1.1圖像特征提取

對行人圖像進(jìn)行數(shù)據(jù)增強(qiáng)，并將其轉(zhuǎn)化為張量并歸一化后再進(jìn)行標(biāo)準(zhǔn)化，得到關(guān)于的多樣化樣本，然后將饋送到ResNet中，得到圖像特征。

1.1.2文本特征提取

通過自然語言處理工具SpaCy將進(jìn)行分詞，得到分詞結(jié)果，表示詞的數(shù)量。通過Word2Vec將中的每個詞映射到對應(yīng)的詞向量，得到。然后將饋送到文本提取器BiLSTM中，處理從到以及到的詞向量，對于詞向量有：

其中，，分別表示第個詞向量的前向和后向隱藏狀態(tài)。于是得到關(guān)于的特征，則對于有文本特征。

1.1.3文本特征提取

通過SpaCy對進(jìn)行依存分析得到，對于中的每個詞根據(jù)?計(jì)算其父詞到每個詞的依存距離，有數(shù)組；對于根節(jié)點(diǎn)即無父節(jié)點(diǎn)上的詞，計(jì)算到本身的依存距離，進(jìn)一步計(jì)算得到從轉(zhuǎn)化的矩陣。映射到以為中心，方差為的高斯分布上，得到依存矩陣。如下所示：

1.2?屬性干預(yù)

受工作[5]啟發(fā)，引入自注意力網(wǎng)絡(luò)將和融合，并設(shè)置個注意力頭，關(guān)于第個注意力頭如圖2所示。對于每個詞特征，經(jīng)過3個可學(xué)習(xí)的權(quán)重矩陣分別得到3個向量，具體如下。

進(jìn)一步對于得到。

為避免中索引的使用沖突，對應(yīng)為，計(jì)算對應(yīng)的點(diǎn)積并除以縮放因子，得到一個表示對的注意力程度的注意力分?jǐn)?shù)。

進(jìn)而得出注意力權(quán)重矩陣，將和做哈達(dá)瑪積并通過Softmax函數(shù)映射，有：

然后將和進(jìn)行矩陣乘法，得到關(guān)于的注意力輸出。如下所示：

將個注意力頭輸出的拼接，最終得到文本特征。

在這一維度上，對和做最大池化處理，得到分別得到文本嵌入和圖像嵌入。都經(jīng)過一個的共享權(quán)重矩陣做矩陣乘法，用以縮小文本模態(tài)和視覺模態(tài)之間的語義鴻溝，得到最終的文本嵌入和圖像嵌入。公式如下所示：

1.3?損失計(jì)算

進(jìn)行分類損失的計(jì)算時，給定行人標(biāo)簽，做獨(dú)熱編碼處理，得到

文本嵌入和圖像嵌入饋送到作為預(yù)測頭的一層全連接，并預(yù)測行人概率，對應(yīng)預(yù)測的行人概率為，對應(yīng)預(yù)測的行人概率為，和的表達(dá)式分別為：

都為對每個行人預(yù)測的一組概率值，表示訓(xùn)練集中行人唯一標(biāo)簽的總數(shù)。最終，分類損失的計(jì)算公式為：

排名損失基于三元損失進(jìn)行計(jì)算，公式為：

為正樣本對，為隨機(jī)選取的負(fù)樣本，為余弦相似度計(jì)算?？倱p失計(jì)算表示為。

2?實(shí)驗(yàn)結(jié)果與分析

2.1?實(shí)驗(yàn)準(zhǔn)備

2.1.1數(shù)據(jù)集

為了驗(yàn)證我們方法的有效性和準(zhǔn)確性，在公開的主流數(shù)據(jù)集CUHK-PEDES和ICFG-PEDES上進(jìn)行實(shí)驗(yàn)。

2.1.2實(shí)驗(yàn)參數(shù)

批量大小為64，訓(xùn)練次數(shù)為60，初始學(xué)習(xí)率為0.001，并使用Adam優(yōu)化器。

2.1.3評價(jià)指標(biāo)

在測試集上，我們使用Rank-1、Rank-5、Rank-10作為評價(jià)指標(biāo)，分別表示查詢結(jié)果中前一、前五、前十張圖像與文本描述屬于同一個行人的概率。

2.2?對比實(shí)驗(yàn)

我們方法與近年來的一系列先進(jìn)的TIPR方法在兩個主流的數(shù)據(jù)集上進(jìn)行比較，具體實(shí)驗(yàn)結(jié)果如表1所示。從表中可以觀察到以前的方法都取得了不錯的精度，但這些方法仍存在著缺少對文本描述的深層結(jié)構(gòu)細(xì)節(jié)的關(guān)注。我們方法將依存關(guān)系作為一種在文本模態(tài)的數(shù)據(jù)增強(qiáng)手段，顯式地干預(yù)對屬性的關(guān)注從而提取關(guān)鍵線索。在CUHK-PEDES和ICFG-PEDES的Rank-1上本方法有著更高的精度，且Rank-5和Rank-10也有著不錯的競爭性。

2.3?屬性依存的合理性

從詞性和依存距離的關(guān)系上解釋屬性依存增強(qiáng)的有效性。如圖3所示，橫坐標(biāo)表示某一詞性的數(shù)量，縱坐標(biāo)表示依存深度。圖中可以明顯觀察到修飾屬性（ADJ）和名詞屬性（NOUN）在有著最多單詞數(shù)量的同時，還有著較高的依存深度。這就意味著，利用屬性依存增強(qiáng)策略干預(yù)模型關(guān)注到文本更深層次的依存結(jié)構(gòu)時，往往關(guān)注到修飾屬性和名詞屬性，這對于利用行人屬性表示數(shù)據(jù)語義的文搜圖行人重識別來說，是有利于提取語義特征的。

3?結(jié)論

在本文中，提出了一種基于屬性依存增強(qiáng)的文搜圖行人重識別方法，為該領(lǐng)域提供了一種利用依存關(guān)系干預(yù)模型對行人屬性關(guān)注的思路。在實(shí)驗(yàn)中，與其他方法相比，本文提出的模型在Rank1、Rank5和Rank10的評價(jià)指標(biāo)上均有競爭性。另外，還從依存深度的角度上，解釋了屬性依存增強(qiáng)的合理性。在未來的研究工作中，將繼續(xù)探索該方法在通用的跨模態(tài)領(lǐng)域的有效性。

參考文獻(xiàn)

[1] ZHANG?J?F，NIU?L，ZHANG?L?Q.?Person?re-identification?with?reinforced?attribute?attention?selection[J].?IEEE?Transactions?on?Image?Processing，2020，30：?603-616.

[2] 王繼民.融合行人屬性信息的行人重識別研究[J].集成電路應(yīng)用，2023，40（12）：420-424.

[3] 陳琳.?跨模態(tài)行人重識別研究[D].濟(jì)南：山東大學(xué)，2023.

[4] 王玉煜.?基于語言信息的行人重識別算法研究[D].大連：大連理工大學(xué)，2021.

[5] BUGLIARELLO??E，?OKAZAKI?N.?Enhancing?machine?translation?with?dependency-aware?self-attention[C]//Annual?Meeting?of?the?Association?for?Computational?Linguistics，2019：?1618–1627.