Partición de semi-atención para la reidentificación de personas ocluidas

Este artículo propone un método de partición de semi-atención (SAP) para aprender características de partes bien alineadas para la reidentificación de personas ocluidas (re-ID). En la actualidad, los métodos convencionales emplean partición semántica externa o partición basada en atención, siendo esta última habitualmente superior a la primera. En este contexto, este trabajo explora el potencial de que la partición semántica débil pueda ser un buen maestro para la sólida partición basada en atención. En otras palabras, el estudiante basado en atención puede superar sustancialmente a su maestro ruidoso basado en semántica, contradiciendo la noción común de que el estudiante suele alcanzar una precisión inferior (o comparable). Una clave para este efecto es: el SAP propuesto promueve que la partición basada en atención del estudiante (transformer) sea parcialmente consistente con la partición del maestro basada en semántica mediante la destilación de conocimiento, dando lugar a la denominada semi-atención. Dicha consistencia parcial permite al estudiante tener tanto consistencia como un conflicto razonable con el maestro ruidoso. De manera más específica, por un lado, la atención es guiada por la partición semántica del maestro. Por otro lado, el propio mecanismo de atención aún conserva cierto grado de libertad para ajustarse a la similitud inherente entre diferentes parches, logrando así resistencia frente a la supervisión ruidosa. Además, integramos un conjunto de diseños bien elaborados en SAP para reforzar su cooperación (p. ej., múltiples formas de consistencia maestro-estudiante), así como para promover el conflicto razonable (p. ej., el refinamiento de partición por absorción mutua y una estrategia de dropout de la señal de supervisión). Los resultados experimentales confirman que el estudiante transformer logra una mejora sustancial tras este esquema de aprendizaje de semi-atención y establece una nueva precisión de vanguardia en varios benchmarks estándar de re-ID.