基于TransReID的行人重識別方法

王曉，李丹

（四川大學錦城學院，四川成都，611371）

1 概述

行人重識別的目的是在不同的場景和攝像機視圖中關(guān)聯(lián)特定的對象，其重要組成部分是提取魯棒特征和判別性特征，長期以來一直被基于CNN的方法所主導[1]，但是基于CNN方法主要集中在較小鑒別區(qū)域以及其采用的降采樣操作（池化和卷積步長）降低了輸出特征圖的空間分辨率，極大影響對相似外觀物體的區(qū)分能力[2]。而基于注意力機制的方法大多數(shù)嵌入在深層，更偏愛較大的連續(xù)區(qū)域，并且很難提取多個多樣化的可判別區(qū)域。隨著多頭注意力模塊的引入，以及卷積和降采樣操作的去除，基于Transformer的模型適合于解決基于CNN的行人重識別中的上述問題。其中多頭注意模塊捕獲了遠程依賴關(guān)系，激勵模型參與人體的不同部位。而Transformer無需降采樣操作，可以保留更詳細的信息。但為了應(yīng)對圖像中的大變化（例如遮擋，姿態(tài)多樣性，攝像機視角等問題），Transformer仍需要專門針對行人重識別進行設(shè)計。因此構(gòu)建了一個針對行人重識別的框架——TransReID。

2 基于Transformer的行人重識別方法

■2.1 基線網(wǎng)絡(luò)ViT-BoT

首先構(gòu)建一個基于Transformer的強基線框架Vit-BoT，該方法主要分為特征提取和監(jiān)督獲取兩個階段。如圖1所示，給定一幅圖像x∈RH×W×C，其中H,W,C分別表示其高度，通道的寬度和通道數(shù)。我們把它分成N個固定大小的塊{xip|i=1,2,…,N}。將其中一個可學習的向量[cls]嵌入標記為xcls，添加到輸入序列之前，輸入到Transformer層的輸入序列可表示為：

圖1 基于Transformer的強基線框架Vit-BoT

其中Z0表示輸入序列嵌入，P∈（N+1）×D為嵌入的位置。F是一個線性投影映射到D維。此外采用Transformer層來學習特征表示。由于所有的Transformer層都有一個全局的感受野，從而解決了基于CNN方法的有限感受野問題。同時由于沒有采用降采樣操作，詳細的信息得以保留。

原始ViT針對圖像分類任務(wù)所設(shè)計，不能用于行人重識別任務(wù)，為此，對其進行了幾點適應(yīng)性調(diào)整。

2.1.1 重疊補丁（Overlapping Patches）

在預處理階段，ViT需要將圖像塊分割為N個不重疊塊，這時會導致每個塊的局部鄰近結(jié)構(gòu)信息無法較好的保留，故采用滑動窗口形式生成重疊塊。假設(shè)滑動窗口的步長為S像素，每個塊的尺寸P=16，那么重疊部分的形狀為（P-S）×P。基于上述定義，如果輸入圖像的尺寸為H×W，那么所得到的圖像塊數(shù)量如下：

從上式可以得出：重疊區(qū)域越大，所提圖像塊數(shù)量越多。而更多的塊通常可以帶來更好的性能，但同時也會造成更高的計算量。為了更好的區(qū)分表示，S通常設(shè)置為小于P的值，而S=P時則忽略下角標。

2.1.2 位置嵌入（Position Embedding）

位置嵌入ρi則表示編碼圖像塊Pi的位置信息，它有助于Transformer的Encoder編碼空間信息。由于行人重識別任務(wù)的圖像分辨率不同于圖像分類時的原始圖像分辨率，故ImageNet網(wǎng)絡(luò)模型上位置嵌入無法直接應(yīng)用，因此采用雙線性插值輔助ViT-BoT處理任意輸入尺寸的圖像。

■2.2 TransReID

盡管前述所設(shè)計的ViT-BoT可以在目標ReID任務(wù)上取得很好的效果，但它并未充分利用ReID數(shù)據(jù)的特性。為更好的探索邊界信息與細粒度信息，我們提出了拼圖補丁模塊（JPM）與邊信息嵌入向量（SIE），并將所提框架稱之為TranReID，其結(jié)構(gòu)信息見圖2。

圖2 TransReID框架

2.2.1 拼圖補丁模塊(jigsaw patches module, JPM)

為了擴展遠程依賴關(guān)系并增強特征的魯棒性，我們提出了JPM，通過移位和補丁洗牌操作重新安排補丁嵌入，并重新對它們進行分組以進一步的進行特征學習。對ViTBoT的最后一層調(diào)整為雙并行分之結(jié)構(gòu)(采用兩個獨立Transformer層分別用于學習全局特征與局部特征)并行提取魯棒特征。因此，該網(wǎng)絡(luò)傾向于提取具有全局上下文的擾動不變和魯棒特征。

為了解決上述的問題，我們提出了一個拼圖補丁模塊（JPM）對嵌入的塊重新排列然后將它們重新分組到不同的部分中，每一個都包含整個圖像的幾個隨機嵌入塊。具體描述如下：

第一步：移位操作

第二步：補丁洗牌操作

經(jīng)過前述移動后的塊進一步通過置換操作(group=k)進行處理，此時隱含特征變?yōu)椋骸?/p>

我們將置換后的特征分成k組，JPM可以將其編碼為k個局部特征，因此每個特征可以編碼不同的部件，全局特征與局部特征分別采用分類損失￡ID，￡T進行訓練，整體損失定義如下：

2.2.2 邊信息嵌入向量SIE

獲取更詳細的特征之后，特征仍然容易受到攝像機或視點變化的影響。換一種說法，由于場景的偏差，訓練模型在對同一對象的不同角度的識別上很容易失敗。因此，我們提出了一種邊信息嵌入向量（SIE）去合并非視覺信息，例如將攝像機或視點去嵌入表示以學習不變特征。通過可學習向量有效地整合非視覺線索，以緩解不同攝像機或視覺以及其他因素導致的視覺偏差，以攝像機為例，所提出的SIE有助于解決攝像機間和攝像機內(nèi)匹配所產(chǎn)生的巨大成對相似性差異。SIE也可以很容易地擴展到包括除了我們已經(jīng)演示的那些以外的任何非視覺線索。

具體的說，如果圖像的相機ID為C，那么它對應(yīng)的相機嵌入可以表示為 S(C)，不同位置嵌入會隨圖像塊變化，相機嵌入則對所有塊相同。另外，如果視角信息V可知，我們同樣可以將其編碼到所有塊中。

接下來，我們就需要考慮如何集成這兩種不同類型的信息了。最簡單的一個想法：直接進行相加，即S(C)+S(V)。但這種方式可能導致信息抵消。我們提出采用聯(lián)合編碼方式：S(C,V)。也就是說，如果有 CN個相機ID，VN個視角標簽，那么S(C,V)總計有CN×VN個不同的值。那么第i個塊的輸入定義如下：

因為每個塊的嵌入位置不同，但在不同的圖像中是相同的，S(C,V)對于每個塊是相同的，但是對于不同的圖像可能有不同的值。Transformer層能夠編碼具有不同分布特性、可以直接插入的嵌入向量。

3 實驗

■3.1 數(shù)據(jù)集和評價標準

本文采用Market1501[3]數(shù)據(jù)集對所提出的基于TransReID的方法進行實驗Market1501數(shù)據(jù)集包括6個攝像頭所拍攝到的1501個行人。其中訓練集有751人，包含12936張圖像，測試集有750人，包含19732張圖像，平均每人有26.3張測試數(shù)據(jù)。

■3.2 實驗準備

本文算法基于Colab平臺實施，迭代次數(shù)為120，GPU為TeslaT4。在訓練模型時，將所有圖片大小調(diào)整為256×256。訓練圖像通過隨機水平翻轉(zhuǎn)、填充、隨機裁剪、隨機擦除進行圖像增強。Batch=8，采用SGD優(yōu)化算法，動量為0.9，權(quán)值衰減為1e-4。學習率初始化為0.008。

■3.3 TransReID學習實驗結(jié)果

為了測試TransReID學習的有效性，本文分別在Market1501數(shù)據(jù)集上進行實驗驗證，訓練模型Loss函數(shù)收斂情況如圖3所示，圖中展示了Loss函數(shù)的收斂情況隨迭代次數(shù)的不斷增加而不斷變化的情況，由圖片可以看出，模型在迭代100次時趨于收斂。行人重識別檢測圖如圖4所示。

圖3 損失函數(shù)圖像

圖4 行人重識別檢測圖

4 智能安防

隨著道路監(jiān)控設(shè)施及城市監(jiān)控網(wǎng)絡(luò)的日益完善，視頻偵查作為信息化背景下對現(xiàn)場勘查方法的創(chuàng)新逐漸被利用在刑事偵查之中，成為公安機關(guān)辦理案件的新技法[4]。然而由于監(jiān)控設(shè)備是24小時不間斷工作，且監(jiān)控攝像頭數(shù)量龐大，導致數(shù)據(jù)集也非常大，同時由于不同攝像頭之間的差異性，在追蹤嫌疑人時增加了一定的難度。在警方確定嫌疑犯基本信息后，采用人力查找監(jiān)控視頻中嫌疑人的行為軌跡是非常費時費力的。故先大致確定嫌疑犯出現(xiàn)的范圍，調(diào)出視頻圖像并對其解碼預處理，對解碼后的視頻圖像進行行人檢測，并在數(shù)據(jù)庫中存儲檢測結(jié)果。通過已知某嫌疑犯的照片，輸入到匹配系統(tǒng)中與數(shù)據(jù)庫中行人進行比對，收集監(jiān)控系統(tǒng)中嫌疑犯出現(xiàn)的時間和地點，并對檢測到的目標在視頻中的幀序列進行跟蹤，可以將嫌疑犯在各個攝像頭中的行蹤串聯(lián)起來，實現(xiàn)跨攝像頭追蹤，嫌疑犯的行為軌跡一旦確定，將對警方破案刑偵有非常大的幫助。

圖5 匹配系統(tǒng)

5 結(jié)束語

本文研究了一個用于行人重識別的TransReID框架，并且提出兩個新的模塊，即拼圖補丁模塊（JPM）和邊信息嵌入向量（SIE）。其中JPM可以幫助模型學習更多的全局信息和更具有辨別力的部分，使得模型對擾動具有魯棒性。而SIE減弱了由不同攝像機和視點引起的場景偏差的負面影響。基于TransReID的方法有著很大的潛力，可以進一步探索重識別的任務(wù)，以便更好的應(yīng)用于我們的日常生活中。