深度学习多尺度表示的人体重识别

现有的人体重识别（re-id）方法主要依赖于单尺度的外观信息。这不仅忽略了其他不同尺度可能有用的显式信息，而且还失去了挖掘不同尺度之间隐含相关互补优势的机会。在本研究中，我们通过旨在联合学习区分性尺度特定特征并最大化图像金字塔输入中的多尺度特征融合选择，展示了使用卷积神经网络（CNN）学习多尺度人体外观特征的好处。具体而言，我们构建了一种新颖的深度金字塔特征学习（DPFL）CNN架构，用于多尺度外观特征融合，并通过并行的每尺度重识别损失和交互的跨尺度共识正则化在闭环设计中同时优化。广泛的比较评估证明了所提DPFL模型在三个基准数据集Market-1501、CUHK03和DukeMTMC-reID上相较于多种最先进的重识别方法的优势。