面向行人重识别的感知多粒度表示

行人重识别（person re-identification）的一个关键在于跨多变环境获得一致的局部细节以构建判别性表示。当前基于条带的特征学习方法已取得令人印象深刻的准确率，但未能在多样性、局部性与鲁棒性之间做出恰当权衡，因刚性划分与不对齐之间的冲突而易受部件语义不一致的影响。本文提出一种感知多粒度学习方法以促进基于条带的特征学习。该方法在中间表示上执行局部划分以操作感知区域范围，而非当前在输入图像或输出特征上的做法，从而能在保持适当局部关联的同时增强局部性表示。为此，局部划分通过显著性均衡激活进行自适应池化以得到均匀条带。进一步引入随机平移增强，以提高边界框内行人出现区域的方差从而缓解不对齐。通过双分支网络架构，可学习不同尺度的判别性身份表示。以此方式，我们的模型能提供更全面高效的特征表示，且无需更大的模型存储开销。在数据集内与跨数据集评估上的大量实验证明了所提方法的有效性。特别地，我们的方法在具有挑战性的 Market-1501 基准上达到了 96.2%@Rank-1 或 90.0%@mAP 的当前最优准确率。