陈 璠，彭 力

物联网技术应用教育部工程研究中心（江南大学 物联网工程学院），江苏 无锡214122

行人重识别[1]（person re-identification，Person-ReID）旨在将不同物理位置、不同摄像头捕获的同一个人的图像相关联，实现跨摄像头跨场景下的行人识别与检索。

在跨镜头多目标跟踪[2]时，目标行人在某一摄像头视野范围内丢失以后，其轨迹会暂时消失，难以预测该行人会再次出现在哪个摄像头视野中。由此提出通过行人的外观特征[1]将行人的轨迹再次关联。但是由于视角、姿态、遮挡与行人着装类似等因素的影响，同一行人在不同摄像机的拍摄画面中可能呈现较大的外观差异[3]，这给行人重识别任务带来很大的困难。因此如何学习到更丰富、更具判别性的行人特征成为Person-ReID的研究热点。

随着深度卷积神经网络（deep convolutional neural networks，DCNN）的快速发展，研究学者提出了很多表现优秀的DCNN 网络模型，使得Person-ReID 的性能得到了很大的提升。根据DCNN 输出特征的类型，将Person-ReID 分成基于全局特征和局部特征两种方法。

基于全局特征的方法通常直接通过全局平均池化层（global average pooling，GAP）得到输出特征图，推理阶段计算速度快，该方法常用于帧率需求较高的情况[1]。例如，Wang等[4]构建的DaRe-Net模型以不同分辨率提取网络每一阶段输出的全局特征，通过级联的方式进行特征融合。这种融合多层特征的方式，提高了模型对难样本的识别准确率，但是得到的高层特征的相似性对分类结果影响很大，而且低层特征在区分细节等方面起到的作用对结果的影响极小[5]。……