20、人员重识别的联合判别与度量嵌入学习

人员重识别的联合判别与度量嵌入学习

1. 引言

人员重识别是一项具有挑战性的任务，旨在根据全身外观信息为紧密裁剪的人员图像分配相同的身份。由于姿势、光照、视角、背景和传感器噪声等不受限制的干扰因素，同一人的不同图像可能看起来差异很大，导致类内方差较高。

为应对这一挑战，研究方向不断演变。从最初的基于特征的模型与度量学习相结合，到使用专门的深度学习架构进行分类和验证损失训练，再到利用预训练的骨干架构提取更强大的特征嵌入。此外，一些近期的工作还引入了人员属性，如性别、上下身衣服颜色、是否携带手提包和背包等，作为补充信息来提高人员重识别的性能。

当前的研究趋势更注重直接学习适合重识别的特征嵌入，通过改进损失函数来控制类内和类间方差，而减少对干扰因素的显式建模。主要有两条工作路线：一是改进基于度量学习的三元组损失；二是通过归一化权重和表示来改进用于分类的Softmax损失。然而，将嵌入限制在超球面上会限制监督嵌入训练的梯度流，可能导致性能差距。

在本文中，我们通过结合Softmax和三元组损失的最新研究成果，改进了人员重识别的整体特征嵌入学习。同时，还增加了身份分类和属性预测等多个判别任务，以提高对干扰因素的鲁棒性。

2. 相关工作

人员重识别因干扰因素而具有挑战性，相关研究主要基于度量学习和判别特征表示学习两个方向。

近期的深度学习方法包括：
- 联合学习多领域特征并进行特定领域的微调。
- 使用深度卷积架构同时学习特征和相似度度量。
- 结合CRF模型和DNN学习多尺度相似度度量。
- 对卷积特征进行分区策略。
- 使用球面损失在超球面流形上学习人员图