用于行人重识别的深度学习原型域

行人重识别（re-id）是在不同摄像头、姿态、光照条件以及众多其他改变视觉外观的因素下匹配同一行人多次出现的任务。通常，这通过学习针对特定摄像头视图对（由成对标注训练数据集指定）的最优特征或匹配度量来实现。在这项工作中，我们提出了一种基于深度学习的新方法，用于自动发现原型域，以实现域感知（自适应）行人重识别（而非特定于摄像头对的学习），该方法可扩展至任何摄像头视图及未见过的无训练数据新场景。我们为每个发现的原型域学习一个单独的重识别模型，并在模型部署时，使用行人查询图像自动选择最接近原型域的模型。我们的方法既不需要有监督也不需要无监督的域自适应学习，即无需来自目标域的任何数据。我们在使用自动检测的、低分辨率且存在部分遮挡的边界框的真实重识别条件下广泛评估了我们的模型。我们表明，我们的方法在最新的 CUHK-SYSU 和 PRW 基准上优于大多数最先进的有监督和无监督方法。