王晓，李丹

（四川大学锦城学院，四川成都，611371）

1 概述

行人重识别的目的是在不同的场景和摄像机视图中关联特定的对象，其重要组成部分是提取鲁棒特征和判别性特征，长期以来一直被基于CNN的方法所主导[1]，但是基于CNN方法主要集中在较小鉴别区域以及其采用的降采样操作（池化和卷积步长）降低了输出特征图的空间分辨率，极大影响对相似外观物体的区分能力[2]。而基于注意力机制的方法大多数嵌入在深层，更偏爱较大的连续区域，并且很难提取多个多样化的可判别区域。随着多头注意力模块的引入，以及卷积和降采样操作的去除，基于Transformer的模型适合于解决基于CNN的行人重识别中的上述问题。其中多头注意模块捕获了远程依赖关系，激励模型参与人体的不同部位。而Transformer无需降采样操作，可以保留更详细的信息。但为了应对图像中的大变化（例如遮挡，姿态多样性，摄像机视角等问题），Transformer仍需要专门针对行人重识别进行设计。因此构建了一个针对行人重识别的框架——TransReID。

2 基于Transformer的行人重识别方法

■2.1 基线网络ViT-BoT

首先构建一个基于Transformer的强基线框架Vit-BoT，该方法主要分为特征提取和监督获取两个阶段。如图1所示，给定一幅图像x∈RH×W×C，其中H,W,C分别表示其高度，通道的宽度和通道数。我们把它分成N个固定大小的块{xip|i=1,2,…,N}。将其中一个可学习的向量[cls]嵌入标记为xcls，添加到输入序列之前，输入到Transformer层的输入序列可表示为：

图1 基于Transformer的强基线框架Vit-BoT

其中Z0表示输入序列嵌入，P∈（N+1）×D为嵌入的位置。……