更快速的人员重识别

快速人员重识别（ReID）旨在快速且准确地检索行人图像。近期快速 ReID 方法的主要思想是哈希算法，其学习紧凑的二进制码并执行快速的汉明距离与计数排序。然而，高精度（如 2048）需要很长的码，这牺牲了检索速度。本工作中，我们通过对新颖的由粗到细（CtF）哈希码检索策略建模，为快速 ReID 引入了一种新方案，该策略互补地使用短码与长码，同时实现更快速度与更优精度。它使用较短的码对宽泛的匹配相似度进行粗排，并使用较长的码仅对少数顶部候选进行细化以获得更精确的实例 ReID。具体而言，我们设计了一个全在一（AiO）框架以及距离阈值优化（DTO）算法。在 AiO 中，我们在单一模型中同时学习并增强不同长度的多个码。它以金字塔结构学习多个码，并通过自蒸馏鼓励较短的码模仿较长的码。DTO 通过简单的优化过程解决复杂的阈值搜索问题，且精度与速度之间的平衡可由单一参数轻松控制。它将优化目标公式化为一个可由高斯累积分布函数优化的 $F_{\beta}$ 分数。在 2 个数据集上的实验结果表明，我们提出的方法（CtF）不仅比同期哈希 ReID 方法精度高 8%，而且快 5 倍。与非哈希 ReID 方法相比，CtF 快 $50\times$ 且精度相当。代码见 https://github.com/wangguanan/light-reid。