行人重识别（person re-identification，简称re-ID）在多摄像头之间进行跨镜检索以匹配目标行人图像，可以在人脸、指纹等生物特征失效的情况下实现行人关联，已成为智能视频监控系统的关键技术，对智能安防、智慧城市等领域的产业落地进行有效赋能。传统的行人重识别算法通常采用表征学习或度量学习方法，要么学习到数据特征的有效表示，要么学习到适合特定任务的距离度量。本文基于多任务学习的机器学习模式，结合表征学习与度量学习方法，综合利用特征表示和距离度量两方面的优势，采用分类损失和三元组损失共同训练模型，使模型在特征提取和相似性度量上都得到充分的训练。实验结果表明，该方法在行人重识别任务中取得了更好的性能，验证了该方法的鲁棒性和在泛化能力方面的优越性。
文章目录
1 引言
2 国内外研究成果
3 传统行人重识别算法
3.1 行人重识别问题描述
3.2 基于表征学习的行人重识别算法
3.3 基于度量学习的行人重识别算法
4 基于多任务学习的行人重识别算法
4.1 特征提取骨干网络
4.2 消除多任务间的不一致性
5 实验结果与分析
5.1 实验设置
5.2 数据集
5.3 评估指标
5.4 实验结果
6 结束语
