李 韬，李 捷，徐大林

(江苏自动化研究所，江苏 连云港 222061)

行人重识别(Person Re-identification，Re-ID)是一个重要的计算机视觉任务，其目的是跨摄像头检索同一身份的行人。由于在不同摄像机视角下行人的视觉表达有剧烈的变化，因此，行人重识别是一个极具挑战的任务。如何找到一个具有高辨识度的特征表达是这个任务的关键之一。

多任务学习(Multi-task Learning，MTL)是机器学习中的一种学习范式，其目的是利用多个相关任务的有用信息使得所有任务相互受益［1］。在多层特征空间模型中，任务是相关的，很自然就想到的一种方式是所有子任务共享低层特征空间［1］。这种共享的特征空间比单独任务的特征空间具有更强的表达能力。

在最近的行人重识别领域中，许多模型使用了多任务的思想来提高模型的性能。文献［2］通过引入批量特征图遮挡的任务来提高模型的泛化能力。文献［3］通过大量的实验表明了联合训练softmax损失函数和triplet损失函数能够显著提升模型性能。文献［4］所提出的模型使用了多个损失函数，并且可以被看作联合了姿态任务和分类任务。

然而，本文中我们考虑从全局特征空间中提取多个特征子空间，并把联合训练多个特征子空间看作一个多任务学习。具体而言，首先，在初始全局特征空间中提取多个特征子空间，然后，联合训练这些特征子空间来提高最终全局特征空间的表达能力。所提的模型之所以使用特征子空间，是因为特征子空间更容易学习细粒度特征，从而使得最终的全局特征空间拥有更多的细粒度特征［5］。……