目的遮挡行人重识别因可见区域缺失和遮挡噪声干扰，导致特征判别性不足、鲁棒性差。现有方法多局限于单视图表征，存在通道判别性建模不充分、显著区域过拟合等问题。方法提出一种融合通道注意力增强、显著性引导擦除与门控正则化的多视角学习框架。该方法首先采用挤压激励残差网络（squeeze-and-excitation residual network，SE-ResNet）作为骨干网络，通过通道注意力机制自适应增强判别性特征。进而，设计Top-k显著性引导软擦除模块，利用类激活图定位关键区域并进行平滑抑制，迫使网络发掘多样化辅助特征，以缓解过拟合。此外，引入门控正则化机制，对特征通道选择概率施加熵约束，提升选择过程的稀疏性与稳定性。在训练阶段，通过加权融合多视图特征并借助特征对齐损失实现信息协同；推理阶段仅需单视图特征即可完成高效检索。结果在四个代表性数据集上的实验表明，本方法均取得领先性能。其中，在专门针对遮挡行人重识别的数据集Occluded-REID上，平均精度均值（mean average precision，mAP）与首位命中率（Rank-1 accuracy，Rank-1）分别达到83.4%与92.8%；在大型多场景复杂数据集MSMT17上，分别达到71.4%与89.6%，较先进方法MVIIP有显著提升。在基于DukeMTMC构建的合成遮挡数据集P-DukeMTMC和经典通用行人重识别基准数据集Market-1501上，本方法同样表现优异，验证了其针对合成与自然遮挡的普适性。结论本方法在遮挡与多场景任务中均表现出良好的适应性、鲁棒性和泛化能力，适用于复杂监控场景下的行人检索。
Xueyi et al. (2026) studied this question.