文章导读丨南京信息工程大学Visibility-Guided Dual-Branch Network for Occluded Person Re-Identification
Visibility-Guided Dual-Branch Networkfor Occluded Person Re-Identification
作为智慧城市安防体系的关键技术，行人重识别（Re-ID）旨在跨摄像头实现目标的持续追踪与身份匹配。然而，实际监控环境下，行人常被建筑物、车辆或其他个体部分遮挡，导致人体的关键身份特征丢失，降低了系统的识别精度与可靠性。
近日，南京信息工程大学的 An Menghan、Zhang Yanyan、Qin Yu 等作者以 《Visibility-Guided Dual-Branch Network for Occluded Person Re-Identification》 为题，在《Instrumentation》发表了研究成果。该研究提出可见性引导双分支网络（VGDNet），通过自适应机制平衡全局与局部特征，在不增加外部开销的前提下解决了遮挡重识别难题。
引入位置注意力机制，通过计算注意力分布的归一化信息熵定量评估遮挡程度，从而动态调节特征权重。
全局分支利用 Top DropBlock 抑制高激活区，挖掘潜在关键特征；局部分支通过区域重组与特征拼接增强区域间的类别区分度。
融合标签平滑身份损失、多相似度损失及三元组损失，协同优化特征空间的类内紧凑性与类间差异性，提升了模型的泛化能力。
图 1 VGDNet 整体网络结构图
展示了从 OSNet 骨干网络到可见性因子引导的双分支架构，包括全局补充分支与局部分支双路并行的处理流程。
图 2 注意力机制下的信息熵可视化
展示了通过位置注意力矩阵计算信息熵的过程，定量反映了模型在处理遮挡（高熵 / 分散）与非遮挡（低熵 / 集中）区域时的确定性程度。
图 3 遮挡场景下行人识别结果的可视化
对比了经典模型与 VGDNet 在处理行人间遮挡和物体遮挡时的 Top-10 检索效果，VGDNet 能更准确地抑制遮挡物干扰并捕获目标行人特征。
本研究证明，VGDNet 通过自适应可见性引导机制，能在不增加外部辅助模型负担的情况下，有效应对行人重识别中的遮挡难题。在主流数据集上的实验结果表明，该模型在保持轻量化设计的同时，达到了领先的识别性能。
该成果可广泛应用于智能安防监控、智慧社区建设等领域，特别是在人流密集的复杂环境中具有极高的实际应用价值。未来，团队将进一步探索特征补全机制，并优化模型在低分辨率视频流下的识别鲁棒性，以适应更严苛的现实场景。
" 在不依赖外部辅助模型的前提下，让网络"自己学会"识别遮挡区域 —— 这是 VGDNet 给遮挡行人重识别难题给出的简洁而有力的回答。 "
An Menghan, Zhang Yanyan, Qin Yu, et al. Visibility-Guided Dual-Branch Network for Occluded Person Re-Identification[J]. Instrumentation.
