应用前景

行人重识别，是利用计算机视觉技术对跨摄像头的人员图像进行特征提取，从而进行人员匹配的技术，广泛应用于智慧安防、智慧零售等领域，是人工智能技术与产业结合的重要支点。在早期的行人重识别研究中，大量的工作是基于传统计算机视觉方法，利用手工提取的图像特征，进行行人重识别的研究。近年来，随着深度学习在许多领域的成功应用，研究人员们开始尝试将深度学习应用到行人重识别上，并已取得一定的成果。其主要研究思路为采用深度学习方法进行特征向量提取，再利用度量学习对特征向量进行判别，将图像之间的差异量化，并使用大量标注数据对模型进行训练迭代。行人重识别是一项具有挑战性的任务，它的数据一般来自于安防系统。在系统中，不同摄像设备之间的背景、风格具有较大差异，同时行人外观易受遮挡、穿着、视角和姿态等多种因素的影响，这就使得行人重识别成为一个具有一定挑战性的研究课题，同时具有较高的研究价值。

研究内容

基于特征解耦领域适应的行人重识别:在实际部署时，由于实际部署环境领域与训练集的源领域存在分布差异，利用监督学习获得的模型性能严重下降，严重限制该技术的实用化。围绕这一问题，拟研究基于特征解耦领域适应的行人重识别技术。该方法探索源领域与目标领域特征内在联系，利用解耦的方式分离特征中任务相关和任务无关的信息，使模型不受任务无关信息影响，从而实现鲁棒的领域适应行人重识别。

领域泛化的行人重识别:基于领域适应的行人重识别方法，不需要重新标注目标域的数据。然而，该方法仍然需要收集足够多的目标域数据以供无监督学习使用，并且针对不同的目标域均需要重新训练网络模型。针对这一问题，拟研究基于分布对齐的领域泛化行人重识别技术，探索基于边缘-中心领域分布对齐和身份分布对齐机制，减小领域差异，使得学习得到的模型直接部署，无需额外数据且不必重新训练，实现领域泛化。

跨模态的行人重识别:传统的基于单一模态的行人重识别方法难以解决光照条件差或黑暗环境的行人重识别挑战。拟研究基于模态消除和细节挖掘的跨模态行人重识别方，探索基于注意力机制的模态消除机制，结合细节挖掘的部件对齐，分别实现模态差异和行人细微差异挖掘，使得模型能够抽取具有跨模态检索能力的特征，实现高准确率的跨模态行人重识别。

不完备信息推理的行人重识别:开放环境中行人常被环境物体或其他行人遮挡。这类部分遮挡图像信息不完备，蕴含较少人物信息，严重影响行人重识别性能。拟对行人重识别的遮挡问题开展研究，探索基于注意力机制的遮挡感知方法，利用遮挡数据增强和遮挡类型判断，获得不完备信息推理，实现遮挡条件下的鲁棒行人重识别。