吴晓富，尹梓睿，宋 越，张 磊，谢 奔，赵师亮，张索非

(1.南京邮电大学 通信与信息工程学院，江苏 南京 210003 2.95958部队，上海 200120 3.南京邮电大学物联网学院，江苏 南京 210003)

行人重识别（Person Re-Identification，ReID）是计算视觉应用的主要领域之一，其核心任务是寻找出现在不同摄像头视图中的特定行人[1-2]。作为一个跨摄像机的特定行人检索问题，由于人工智能理论和应用的相互推动，该问题近年来得到了广泛的关注和长足的发展。对于给定的待查询行人，需要匹配出在不同地点、时间段甚至不同摄像头捕捉到的同一行人图像[3]。作为一个复杂检索问题，ReID面临着：不同摄像机捕捉的行人图像具有包括视角、图像分辨率、光照、遮挡等一系列差异，这些差异对于检索精度的提高构成了巨大的挑战[2]。

为了提高行人重识别的性能，如何构建具有分集特征挖掘能力的深度神经网络近年来成为行人重识别的热点问题之一。鉴于多分支深度神经网络的不同分支具有表达不同特征的便利性，因而成为实现分集特征挖掘的流行网络模型。近年来，通过多分支深度神经网络来获得分集特征的方法得到了广泛的关注，主要包括4大类：（1）局部分割分集网络，典型如 PCB[4]、PLR-OSNet[5]；（2） 注意力分集网络，典型如 ABD-Net[6]、 MHN[7]；（3） 遮蔽分集网络，典型如 BDB[8]、SDB[9]；（4） 异构分集网络，如BC-OSNet[10]、ASNet[11]。

本文主要针对行人重识别多分支分集技术的进展进行回顾与梳理，通过实验给出在典型行人ReID数据集的性能评估，并对未来的相关研究方向进行展望。

1 多分支深度神经网络与分集特征挖掘

一般地，假设具有L个分支的多分支深度神经网络由公共网络fc（·）以及L个子分支网络fl（·），l＝ 1，2，…，L构成。……