基于度量学习和深度学习的行人重识别研究

资 源 简 介

基于度量学习和深度学习的行人重识别研究

详 情 说 明

行人重识别是计算机视觉领域的重要研究方向，其核心目标是在不同摄像头拍摄的非重叠视野中匹配同一行人的图像。近年来，基于度量学习和深度学习的行人重识别方法展现出显著优势。

这类方法通常采用双分支网络架构，通过深度学习模型自动提取行人图像的深度特征。其中度量学习起着关键作用，它学习一个能够缩小类内距离、扩大类间距离的特征空间。常用的度量学习损失函数包括三元组损失和对比损失等。

特征提取阶段通常利用卷积神经网络，如ResNet等骨干网络。这些网络能有效捕捉行人图像的全局和局部特征。为提高识别效果，一些方法会结合注意力机制来突出关键区域特征。

相似度计算是另一个关键环节，常用余弦相似度或欧氏距离来衡量特征向量间的相似程度。度量学习的优化目标就是使相同ID的行人特征距离尽可能小，不同ID的特征距离尽可能大。

相比传统方法，这种结合深度学习和度量学习的方案大幅提升了行人重识别的准确率，特别是在复杂场景和遮挡情况下的表现更为鲁棒。