CA-Jaccard：面向行人重识别的相机感知 Jaccard 距离

行人重识别（re-ID）是一项旨在学习判别性特征以进行行人检索的挑战性任务。在行人重识别中，Jaccard 距离是广泛使用的距离度量，尤其在重排序与聚类场景中。然而，我们发现相机差异对 Jaccard 距离的可靠性有显著负面影响。具体而言，Jaccard 距离基于相关近邻的重叠计算距离。由于相机差异，相机内样本在相关近邻中占主导，这通过引入相机内负样本并排除相机间正样本而降低了近邻的可靠性。为克服该问题，我们提出一种新颖的相机感知 Jaccard（CA-Jaccard）距离，利用相机信息增强 Jaccard 距离的可靠性。具体地，我们设计了相机感知 k-互逆最近邻（CKRNNs），在相机内与相机间排序列表上寻找 k-互逆最近邻，从而提升相关近邻的可靠性并保证相机间样本在重叠中的贡献。此外，我们提出相机感知局部查询扩展（CLQE），利用相机差异作为强约束挖掘相关近邻中的可靠样本，并在重叠中赋予这些样本更高权重，进一步提升可靠性。我们的 CA-Jaccard 距离简洁而有效，可作为具有高可靠性和低计算成本的行人重识别方法的通用距离度量。大量实验证明了我们方法的有效性。