面向长期行人重识别的采样无关特征表示

行人重识别是指在非重叠摄像头间识别个体的问题。尽管重识别问题已取得显著进展，但由于同一人外观变化以及相似外观他人的干扰，它仍是一个具有挑战性的问题。一些先前工作通过分离正样本特征与负样本特征来解决这些问题。然而，现有模型的性能在很大程度上依赖于用于训练的采样特征与统计特性。因此，我们提出了一种名为采样无关鲁棒特征表示网络（SirNet）的新框架，该框架从随机选取的样本中学习解耦特征嵌入。我们引入了精心设计的采样无关最大差异损失，以将同一人的样本建模为一个簇。因此，所提框架可利用学习到的特征生成额外的困难负样本/正样本，从而实现对其他身份更好的判别性。在大规模基准数据集上的大量实验结果验证了所提模型比先前最先进的模型更有效。