分而治之：面向行人搜索的混合预训练

大规模预训练已被证明是提升不同任务性能的有效方法。当前的行人搜索方法使用ImageNet预训练模型进行特征提取，但由于预训练任务与行人搜索任务（作为下游任务）之间存在差距，这并非最优解决方案。因此，在本文中，我们专注于行人搜索的预训练，该任务涉及同时检测和重新识别个体。尽管行人搜索的标注数据稀缺，但其两个子任务——行人检测和行人重识别——的数据集相对丰富。为此，我们提出了一种专门为行人搜索设计的混合预训练框架，仅使用子任务数据。它包含一个处理具有不同类型监督数据的混合学习范式，以及一个在有限资源下缓解领域差异的跨任务对齐模块。据我们所知，这是首个研究如何利用子任务数据支持全任务预训练的工作。大量实验表明，我们预训练的模型可以在多种协议下（如行人搜索方法、微调数据、预训练数据和模型骨干网络）取得显著改进。例如，我们的模型使基于ResNet50的NAE在mAP上相对提升了10.3%。我们的代码和预训练模型已发布，供行人搜索社区即插即用。