5、MixStyle 双渠道特征融合的行人重识别方法

MixStyle 双渠道特征融合的行人重识别方法

1. 研究背景与主要贡献

在行人重识别领域，损失函数可分为表征损失和度量损失。表征损失的典型方法是基于分类信息计算的交叉熵损失；度量损失则是基于特征间距离不断优化映射函数，常用的有验证损失和三元组损失。三元组损失虽能约束正负样本与锚点的距离差，但无法保证正样本与锚点的距离足够小，聚类效果不明显。

主要贡献如下：
1. 设计基于 MixStyle 的特征泛化模块，扩展原始特征的潜在域，提高网络泛化性能。
2. 对三元组损失进行优化，为正样本距离设置约束，使聚类效果更清晰。
3. 提出基于全局特征的双渠道特征融合行人重识别模型，实验表明该方法优于现有基于全局特征的算法。

2. MixStyle 风格融合研究

图像背景在图像识别中常被视为干扰，但获取图像风格信息有助于识别工作。图像的风格信息决定其所属领域，但输入深度网络后，输出中该信息会消失。MixStyle 方法通过混合两张图像的风格信息形成新风格图像，语义信息不变，可用于训练模型，在分类、实例检索和强化学习中表现出强泛化性能。

在行人重识别中，数据集来自不同环境和相机的图像，风格差异大。为提高模型泛化能力，在 ResNet - 50 网络的第一和第二个残差块后插入 MixStyle 模块，混合不同领域图像风格，为模型提供更多潜在域图像。同时保留初始特征提取模块，融合两部分特征训练模型，实验证明该方法能提取多样风格信息，提高模型泛化能力。

3. 行人重识别方法

3.1 整体网络结构

基于图像特征所在领域信息与图像风格信息的紧密联系，设计特征泛化