张仕远，丁学明

（上海理工大学 光电信息与计算机工程学院，上海200093）

0 引 言

近年来计算机视觉领域中的行人重识别（Person Re-identification）的关注度逐渐升高。其作为图像检索问题的分支，目的是通过深度学习，检索出数据集中存在特定身份的行人［1］。随着人工智能科技的飞速发展，该技术在社区安防、刑事追踪、智能机器人等领域都得到初步的应用。但由于图像中行人的动作和光照强度都会存在的差异，且不同的图像之间存在遮挡物、分辨率低等问题，会造成的类内与类间的差异变化，故行人重识别到目前仍然存在一些具有挑战性的难点。

随着深度学习的飞速发展以及高性能的计算硬件的不断升级，深度学习方法已成为行人重识别任务的主流方法。其通过组合不同网络结构，形成多层卷积神经网络的非线性深度学习模型；对数据集中训练集进行训练；再通过计算欧式距离等方法来比较样本间的相似度；进而获得较高的性能指标。当前，基于深度卷积神经网络的行人重识别，普遍使用的骨干网络有ResNet［2］、VGGNet［3］等。因其在识别任务中能自动提取具有较强鲁棒性行人图像的特征，从而完成端到端的学习。随着行人重识别的关注度逐年递增，基于深度卷积神经网络的许多具有优异性能的行人重识别算法被不断提出。如：文献［4］中提出的三元组损失函数，其优化目标是使与目标样本行人属于不同类行人之间的距离，要比属于同类行人之间的距离大，从而增强模型的辨别能力。……