融合損失優(yōu)化的行人重識別方法

張仕遠(yuǎn)，丁學(xué)明

（上海理工大學(xué) 光電信息與計算機工程學(xué)院，上海200093）

0 引 言

近年來計算機視覺領(lǐng)域中的行人重識別（Person Re-identification）的關(guān)注度逐漸升高。其作為圖像檢索問題的分支，目的是通過深度學(xué)習(xí)，檢索出數(shù)據(jù)集中存在特定身份的行人［1］。隨著人工智能科技的飛速發(fā)展，該技術(shù)在社區(qū)安防、刑事追蹤、智能機器人等領(lǐng)域都得到初步的應(yīng)用。但由于圖像中行人的動作和光照強度都會存在的差異，且不同的圖像之間存在遮擋物、分辨率低等問題，會造成的類內(nèi)與類間的差異變化，故行人重識別到目前仍然存在一些具有挑戰(zhàn)性的難點。

隨著深度學(xué)習(xí)的飛速發(fā)展以及高性能的計算硬件的不斷升級，深度學(xué)習(xí)方法已成為行人重識別任務(wù)的主流方法。其通過組合不同網(wǎng)絡(luò)結(jié)構(gòu)，形成多層卷積神經(jīng)網(wǎng)絡(luò)的非線性深度學(xué)習(xí)模型；對數(shù)據(jù)集中訓(xùn)練集進(jìn)行訓(xùn)練；再通過計算歐式距離等方法來比較樣本間的相似度；進(jìn)而獲得較高的性能指標(biāo)。當(dāng)前，基于深度卷積神經(jīng)網(wǎng)絡(luò)的行人重識別，普遍使用的骨干網(wǎng)絡(luò)有ResNet［2］、VGGNet［3］等。因其在識別任務(wù)中能自動提取具有較強魯棒性行人圖像的特征，從而完成端到端的學(xué)習(xí)。隨著行人重識別的關(guān)注度逐年遞增，基于深度卷積神經(jīng)網(wǎng)絡(luò)的許多具有優(yōu)異性能的行人重識別算法被不斷提出。如：文獻(xiàn)［4］中提出的三元組損失函數(shù)，其優(yōu)化目標(biāo)是使與目標(biāo)樣本行人屬于不同類行人之間的距離，要比屬于同類行人之間的距離大，從而增強模型的辨別能力。此外，還有四元組損失［5］、柱狀圖損失［6］和群組相似性學(xué)習(xí)［7］等其它類型的度量學(xué)習(xí)損失方法。文獻(xiàn)［8］中提出了批歸一化機制，加快了深度網(wǎng)絡(luò)的訓(xùn)練，并讓網(wǎng)絡(luò)能承受增加的訓(xùn)練率，同時減少了訓(xùn)練步驟。

綜上所述，基于深度學(xué)習(xí)的方法雖然在一定程度上提升網(wǎng)絡(luò)性能，但大部分都是對網(wǎng)絡(luò)最終輸出的特征進(jìn)行預(yù)測處理，而沒有使類內(nèi)距離與類間距離達(dá)到理想效果。針對這個問題，本文提出一種對損失函數(shù)進(jìn)行優(yōu)化改進(jìn)的行人重識別方法。通過在原始交叉熵?fù)p失上增加相似度的權(quán)重因子，使學(xué)習(xí)速率適應(yīng)具體的優(yōu)化狀態(tài)。從而使其優(yōu)化方式更加靈活，收斂狀態(tài)更加明確，有助于使特征更具鑒別力。

為了達(dá)到縮小同類別樣本之間距離，本文添加了額外的監(jiān)督機制，使輔助的損失函數(shù)配合softmax聯(lián)合訓(xùn)練。在保持不同類間判別力的基礎(chǔ)上，讓訓(xùn)練出特征的內(nèi)聚性增強，約束了類內(nèi)緊湊性，有效提升特征的辨識度，使模型泛化性和辨別能力有效提升。本文采用ResNet-50作骨干網(wǎng)絡(luò)，結(jié)合改進(jìn)后的softmax與三元組損失聯(lián)合訓(xùn)練，再經(jīng)過改進(jìn)后的交叉熵?fù)p失進(jìn)行訓(xùn)練，并結(jié)合一些訓(xùn)練技巧對網(wǎng)絡(luò)加以改進(jìn)，提升了網(wǎng)絡(luò)的性能。通過基于Market-1501與DukeMTMC-reID數(shù)據(jù)集上大量的實驗，結(jié)果表明本文方法提升了行人重識別準(zhǔn)確率。

1 融合損失優(yōu)化的行人重識別網(wǎng)絡(luò)

本文所提融合損失優(yōu)化方法網(wǎng)絡(luò)的整體框架如圖1所示。網(wǎng)絡(luò)結(jié)構(gòu)主要由預(yù)處理模塊、主干網(wǎng)絡(luò)模塊、聚合模塊和損失優(yōu)化模塊組成。

圖1 損失優(yōu)化模型的網(wǎng)絡(luò)框架Fig.1 Network framework of loss optimization model

1.1 預(yù)處理模塊

首先對數(shù)據(jù)集通過Resize將圖像調(diào)整為固定大小。使輸入行人圖像的尺寸大小統(tǒng)一調(diào)整256×128像素，方便圖像批量處理。本文設(shè)置不同身份行人的數(shù)量P＝16，同一身份行人的圖片數(shù)K＝4來訓(xùn)練樣本，故batch-size大小為64。對參與訓(xùn)練的圖片使用隨機擦除（Random Erasing，RE）［9］。該方法是在輸入圖像中，將一個隨機區(qū)域的像素更改為隨機值的增強方法，從而避免模型出現(xiàn)過擬合的現(xiàn)象，使魯棒性增強。圖1中自動增強（Auto-augment）［10］是一種提高圖像分類準(zhǔn)確性的算法，其運用自動搜索算法來尋找最佳的圖像處理策略。如：將圖像平移、旋轉(zhuǎn)和剪切等操作，從而提高特征表示的魯棒性。

1.2 主干網(wǎng)絡(luò)

本文基于ResNet-50為骨干網(wǎng)絡(luò)來提取行人圖片的特征，其具有引入殘差塊和網(wǎng)絡(luò)層數(shù)較深的特點。其中ResNet50可分為六部分，Conv1為卷積層模塊，由一個7×7的卷積核提取特征，其步長設(shè)置為2，故圖像的長寬均減小為原圖的一半。Conv2～Conv5模塊均采用重復(fù)的殘差塊提取特征，每個殘差模塊包含多層卷積層、下采樣層和激活函數(shù)。在下采樣層中，對特征圖進(jìn)行下采樣的步長為2，使得長寬再度縮減，進(jìn)一步降低圖像的分辨率。為獲取更多的特征信息，本文將ResNet50結(jié)尾空間的下采樣操作步長調(diào)整為1，以增大網(wǎng)絡(luò)輸出特征圖的尺寸，依次處理雖然會增加一些計算量，但卻能在不增加額外訓(xùn)練參數(shù)的同時，對特征圖分辨率帶來較大的提升。

1.3 聚合模塊

在骨干網(wǎng)絡(luò)階段完成后，對輸出特征圖進(jìn)行池化操作。采用全局平均池化（Avg pooling），將骨干網(wǎng)生成的特征圖聚合成一個全局特征，得到的特征向量為2048維。再將其經(jīng)過一個批歸一化層（Batch Normalization，BN），用于在網(wǎng)絡(luò)訓(xùn)練過程中，獲得更加平滑的優(yōu)化空間，并對學(xué)習(xí)率等超參具有更強的魯棒性，同時避免激活函數(shù)靠近其飽和區(qū)。其后經(jīng)全連接層（Fully Connected，F(xiàn)C），最終輸出全局特征向量。

1.4 損失優(yōu)化模塊

在行人重識別任務(wù)中，使用類標(biāo)簽進(jìn)行學(xué)習(xí)時，普遍采用結(jié)合softmax與交叉熵?fù)p失函數(shù)的方法，來學(xué)習(xí)同類別之間的信息。從而優(yōu)化樣本和權(quán)重向量之間的相似度，提高正確預(yù)測的準(zhǔn)確度。softmax是行人重識別中常用的分類損失函數(shù)，其公式為：

其中：x i代表d維空間中第i個深度特征；y表示其類別；W j為全連接層的參數(shù)矩陣W中的第j列；n為類別的數(shù)量；b為偏置；mini-batch的大小為m。

在softmax的監(jiān)督學(xué)習(xí)中，得到的特征僅限于區(qū)別出各類別的差異，無法量化的控制各類別間與同類別內(nèi)的距離，且同類樣本間特征差異無法約束。本文提出采樣中心損失函數(shù)［11］作為輔助損失函數(shù)，用以監(jiān)督softmax在訓(xùn)練時忽略的同類標(biāo)簽樣本間的距離，使訓(xùn)練出的特征具有向一個特征中心聚合的特性。中心損失函數(shù)公式為：

在mini-batch中，第j張圖片的標(biāo)簽表示為y j，c y i為深度特征的第y i個類中心。其計算的是各樣本的特征與該類別的中心特征的歐式距離之和，并使其最小化，即最小化類內(nèi)距離，其大小體現(xiàn)的是類內(nèi)的變化。中心損失原理是根據(jù)對某個類別特征中心的學(xué)習(xí)來約束不同樣本特征與類別中心特征的偏移，形成同一種類樣本圍繞在樣本中心的狀態(tài)，則可以增加類內(nèi)緊湊性，即使存在某些類內(nèi)變化大的樣本，也不會影響識別結(jié)果的魯棒性。在原有的softmax上增加輔助函數(shù)的改進(jìn)，更加有利于網(wǎng)絡(luò)的訓(xùn)練。總體公式為：

在結(jié)合使用時，softmax負(fù)責(zé)區(qū)別類間距離，中心損失約束類內(nèi)的距離，使學(xué)習(xí)到的特征判別度更高；再與三元組損失聯(lián)合訓(xùn)練，使類間距離遠(yuǎn)大于類內(nèi)距離，即目標(biāo)樣本正距離盡可能小于目標(biāo)樣本負(fù)距離。

交叉熵?fù)p失（Cross-Entropy Loss）是行人重識別中常用的損失函數(shù)，其目標(biāo)是增加類內(nèi)相似度s P和縮減類間相似度s n，從而優(yōu)化樣本和權(quán)重向量之間的相似度。具體表示為先將s n和s P組合成相似度對，為使(s n-s p）的值減小，則要減小s n或增大s P。 然而，由于二者系數(shù)均為1，故其優(yōu)化的梯度幅度相同，對類內(nèi)和類間的相似度懲罰程度也是一致的，不能以不同的速率學(xué)習(xí)優(yōu)化。另外這種方式使用的決策邊界為s n-s p＝m，該邊界在(s n，s p）空間中與s n＝s p平行，導(dǎo)致通向邊界上任意點對應(yīng)的難度相同，出現(xiàn)方向不唯一的收斂狀態(tài)，導(dǎo)致收斂狀態(tài)不明確。公式表示為：其中，K為與某個樣本比較，所有類內(nèi)相似度分?jǐn)?shù)的數(shù)量；L則表示與某個樣本比較，所有類間相似度分?jǐn)?shù)的數(shù)量；m為余量；γ為松弛變量。 本文提出的采用圓損失函數(shù)［12］的方法進(jìn)行訓(xùn)練，引入加權(quán)因子αn和αp，從而允許s n和s P的優(yōu)化不完全同步，其權(quán)重的大小與離最優(yōu)點的距離大小成正相關(guān)。例如，當(dāng)相似性分?jǐn)?shù)與優(yōu)化目標(biāo)偏離越遠(yuǎn)，匹配的加權(quán)因子則越大，從而更新梯度越大，使學(xué)習(xí)速率適應(yīng)具體的優(yōu)化狀態(tài)。公式中表示為把(s n-s p）泛化為（αn s n-αn s p），使αn和αp與s n和s P分別為線性關(guān)系，該方式所得決策邊界為αn s n-αn s p＝m，且該分界面呈現(xiàn)的是圓弧形狀。在該決策邊界上損失函數(shù)有明確的收斂狀態(tài)，使特征更具鑒別力。

綜上，損失函數(shù)部分先由中心損失與三元組損失聯(lián)合訓(xùn)練，經(jīng)一個全連接層降維后，計算圓損失，以得到最終損失。其中，中心損失使網(wǎng)絡(luò)學(xué)習(xí)出來一個類中心，優(yōu)化類內(nèi)距離。三元組損失負(fù)責(zé)使類間距離大于類內(nèi)距離。圓損失使優(yōu)化方式更加靈活，優(yōu)化目的更明確。三種損失聯(lián)合對網(wǎng)絡(luò)進(jìn)行更好的優(yōu)化，保證模型學(xué)習(xí)到具有辨別性的特征?？傮w損失函數(shù)為：

其中，β是中心損失的權(quán)重系數(shù)，本文實驗?zāi)J(rèn)為0.005。由于在分類任務(wù)中，訓(xùn)練時常有過擬合的風(fēng)險，因此本文對身份標(biāo)簽采取了標(biāo)簽平滑（Label smoothing，LS）［13］處理，用來更好的提升泛化能力。

2 實驗結(jié)果與分析

2.1 實驗環(huán)境與參數(shù)設(shè)置

本文方法在基于Pytorch深度學(xué)習(xí)框架工具包上進(jìn)行網(wǎng)絡(luò)搭建，使用4個NVIDIA GeForce RTX 2080 GPU進(jìn)行數(shù)據(jù)并行加速。實驗平臺基于64位的Ubuntu1 6.04操作系統(tǒng)；基于python3.6.4的深度學(xué)習(xí)框架Pytorch1.1.0完成程序編程；骨干網(wǎng)絡(luò)選用ResNet-50；輸入行人圖像的像素均為256×128，并采用標(biāo)簽平滑訓(xùn)練模型，平滑因子ε＝0.1。

為了提高訓(xùn)練效果，本文采用對訓(xùn)練學(xué)習(xí)率進(jìn)行預(yù)熱處理的方法，即把初始學(xué)習(xí)率設(shè)為3.5×1 0-5，隨后不斷增加，直到10個epoch時增大到3.5×1 0-4，并在迭代次數(shù)為40時減小為3.5×10-5，再在迭代次數(shù)為70時減小為3.5×10-6，其它時間保持不變。每次訓(xùn)練的迭代次數(shù)均設(shè)為120，批量大小為64。訓(xùn)練時優(yōu)化器為ADAM，進(jìn)行梯度參數(shù)更新，其中兩個超參數(shù)β1、β2均為0.9。

2.2 數(shù)據(jù)集與評價指標(biāo)

2.2.1 數(shù)據(jù)集

為驗證本文模型的有效性，分別在Market1501與DukeMTMC-reID兩個主流公共數(shù)據(jù)集上完成了相關(guān)消融實驗和對比實驗，并與一些近期提出的行人重識別算法進(jìn)行了結(jié)果對比。數(shù)據(jù)集詳盡信息見表1。

表1 數(shù)據(jù)集信息Tab.1 Information of datasets

Market-1501數(shù)據(jù)集是由6個不同的室外攝像頭拍攝而來，攝像頭為5個高分辨率，1個低分辨率。數(shù)據(jù)集總共包含有1 501個行人的32 217張圖像，使用DPM檢測器來進(jìn)行行人檢測矩形框的標(biāo)注。

DukeMTMC-reID數(shù)據(jù)集是在杜克大學(xué)校園的冬季，由8個不同的室外高分辨率攝像機拍攝而來。數(shù)據(jù)集總共包含有1 812個行人的36 441張圖像。其中行人圖像存在不少遮擋的情況，具有較大的識別難度。

2.2.2 評估指標(biāo)

實驗中采用行人重識別中的首位匹配率Rank-1和平均精度均值（mAP）作為評價指標(biāo)。Rank-k為根據(jù)相似度由高到低排列后的前k個行人里與查詢樣本身份相同的準(zhǔn)確率；Rank-1即相似度最高的檢索結(jié)果為正確匹配的概率，最能反映模型的識別能力。mAP即平均精度均值，是指將分類問題中所有類別的平均精度（AP）相加再取平均值，可以較全面的衡量網(wǎng)絡(luò)的識別能力和穩(wěn)定性。計算步驟如下：

（1）求準(zhǔn)確率P：

其中，T P表示被正確預(yù)測的行人圖片個數(shù)，F(xiàn) P為被錯誤預(yù)測的行人圖片個數(shù)。

（2）求平均精度AP（某類別行人檢測結(jié)果的全部準(zhǔn)確率的平均值）：

其中，i表示檢測出行人圖片的序號，分母表示含有第C個類別行人圖片的數(shù)量。

（3）求任務(wù)中各個類別平均精度的均值（即為平均精度均值mA P）：

其中，k表示類之間平均精度的序號，C為總類別數(shù)。

2.3 實驗結(jié)果分析

2.3.1 消融實驗

為了充分體現(xiàn)本文采用的訓(xùn)練技巧對模型骨干網(wǎng)絡(luò)的提升效果，分別在兩個數(shù)據(jù)集上完成了神經(jīng)網(wǎng)絡(luò)研究中常見的消融實驗。即通過疊加部分網(wǎng)絡(luò)結(jié)構(gòu)，分別檢測疊加部分對模型性能的影響。其中骨干網(wǎng)絡(luò)為ResNet50，通過在骨干網(wǎng)絡(luò)上依次疊加特定訓(xùn)練技巧來進(jìn)行各結(jié)構(gòu)對性能影響的驗證。

表2 中，RE為隨機擦除，Auto為自動增強，LS為標(biāo)簽平滑，Stride＝1為下采樣步長設(shè)置為1，BN為批歸一化處理。由表中實驗數(shù)據(jù)可知，不同訓(xùn)練技巧的添加對原始骨干網(wǎng)絡(luò)的準(zhǔn)確率均有不同程度的提高。最終形成的baseline較ResNet50網(wǎng)絡(luò)，在Market-1501數(shù)據(jù)集上，Rank-1和mAP分別提升了6.7%和6.6%，達(dá)到了90.1%和76.2%。在DukeMTMC-ReID數(shù)據(jù)集上，Rank-1和mAP分別提升了6.8%和12.8%，達(dá)到了85.1%和74.0%。

表2 消融實驗Tab.2 Ablation Experiment

2.3.2 對比實驗

為驗證本文提出的融合損失優(yōu)化方法對模型改進(jìn)的效果，基于本文基準(zhǔn)網(wǎng)絡(luò)進(jìn)行了不同損失優(yōu)化的對比實驗。

表3 中，L i d為原始的身份分類損失，作為基準(zhǔn)網(wǎng)絡(luò)（baseline），其表示只訓(xùn)練身份分類損失函數(shù)（softmax+cross entropy）的網(wǎng)絡(luò)；L i d+L center為在softmax上添加中心損失后的網(wǎng)絡(luò)；L i d+L tr ipl et為聯(lián)合分類損失與三元組損失聯(lián)合訓(xùn)練的網(wǎng)絡(luò)；L id+L tri plet+L center則表示基準(zhǔn)網(wǎng)絡(luò)加入了中心損失與三元組損失的訓(xùn)練。由表3數(shù)據(jù)可知，通過對原始基準(zhǔn)網(wǎng)絡(luò)的損失優(yōu)化，模型性能不斷的提升。

表3 與基準(zhǔn)網(wǎng)絡(luò)的對比實驗Tab.3 Experiments compared with baseline

表4 中，L circ l e為在基準(zhǔn)網(wǎng)絡(luò)中的交叉熵?fù)p失里增加類內(nèi)相似和類間相似的加權(quán)因子后的網(wǎng)絡(luò)。作為初步優(yōu)化后的baseline，L ci rcle+L center和L cir cl e+L t ri plet分別為在此基礎(chǔ)上增加中心損失和三元組損失；L ci rcle+L cent er+L t ri plet為本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)，即融合加權(quán)因子與中心損失再與三元組損失聯(lián)合訓(xùn)練的網(wǎng)絡(luò)。由表4數(shù)據(jù)可知，在添加損失優(yōu)化函數(shù)之后，模型基準(zhǔn)網(wǎng)絡(luò)性能不斷得到提升。模型在Market-1501數(shù)據(jù)集上，Rank-1和mAP值分別為95.2%和86.1%；在DukeMTMC-ReID數(shù)據(jù)集上，Rank-1和mAP值分別為89.6%和79.8%。由此證明，加入本文的損失優(yōu)化模塊，能有效的讓網(wǎng)絡(luò)具有更強判別力與泛化能力，相較原始基準(zhǔn)網(wǎng)絡(luò)在準(zhǔn)確率上有明顯的提高。

表4 與優(yōu)化后的基準(zhǔn)網(wǎng)絡(luò)的對比實驗Tab.4 Experiments comparison with optimized baseline

2.3.3 與其它主流方法比較

本文提出網(wǎng)絡(luò)與一些主流網(wǎng)絡(luò)性能的比較結(jié)果見表5。由表中數(shù)據(jù)顯示，本文所提網(wǎng)絡(luò)性能指標(biāo)在兩個不同數(shù)據(jù)集上得到的Rank-1和mAP，比這些主流網(wǎng)絡(luò)性能上存在不同程度的優(yōu)勢。

表5 與其它行人重識別方法比較Tab.5 Comparison with other Person Re-identification methods

由于Re-rank是行人重識別網(wǎng)絡(luò)提高精度的重要步驟，其原理是通過計算馬氏距離和杰卡德距離，對網(wǎng)絡(luò)訓(xùn)練結(jié)果重新排序的過程。因此，本文采用Re-Rank［21］對網(wǎng)絡(luò)結(jié)果進(jìn)一步提升。在Re-rank優(yōu)化后，Market-1501數(shù)據(jù)集上，Rank-1和mAP值分別達(dá)到95.7%和90.5%；在DukeMTMC-ReID數(shù)據(jù)集上，Rank-1和mAP值分別為91.6%和81.6%。

2.3.4 附加實驗

為檢測行人重識別中不同訓(xùn)練批次大小對結(jié)果的影響，本文采用不同P×K值對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，見表6。其中，P為行人身份的數(shù)量，K為同一身份行人的圖片數(shù)。

由圖2中a、b曲線可以看出，模型在P×K值設(shè)置為4×16時，達(dá)到最佳性能。通過對比可初步推斷，模型的性能隨batch-size的增大而提升，而當(dāng)?shù)竭_(dá)一定大小則結(jié)果趨于穩(wěn)定且不再增加。

表6 模型設(shè)置不同batch sizes數(shù)量大小的實驗Tab.6 The experiment of setting different batch size in the model

2.4 可視化分析

由于可視化結(jié)果可以更直觀的驗證模型對識別任務(wù)的改進(jìn)效果，本文基于Market-1501數(shù)據(jù)集的可視化結(jié)果比較如圖3所示。圖3（a）和圖3（c）為基于基準(zhǔn)網(wǎng)絡(luò)的重識別結(jié)果。即只結(jié)合本文所提訓(xùn)練技巧，并未融合損失優(yōu)化的ResNet50網(wǎng)絡(luò)；圖3（b）和圖3（d）表示融合損失優(yōu)化后網(wǎng)絡(luò)的結(jié)果。

圖中每行第一張圖像為待查詢的目標(biāo)行人，之后10張圖像表示為按準(zhǔn)確率逐漸減小排列的前10張查詢結(jié)果，且紅色線框圖像為正確查詢的結(jié)果，藍(lán)色線框圖像為錯誤查詢的結(jié)果。在圖3（a）、圖3（b）的對比中，基準(zhǔn)網(wǎng)絡(luò)的前6張為正確，后4張為錯誤；本文網(wǎng)絡(luò)則前9張為正確，只有最后一張為錯誤。圖3（c）、圖3（d）的對比中，基準(zhǔn)網(wǎng)絡(luò)同樣是前6張為正確，后4張為錯誤，本文網(wǎng)絡(luò)為前8張為正確，后兩張為錯誤。由此證明，本文網(wǎng)絡(luò)有效的提升了識別的準(zhǔn)確度。

圖2 不同batch sizes在數(shù)據(jù)集上的性能對比Fig.2 Performance comparison of different batch sizes on datasets

圖3 Market-1501數(shù)據(jù)集可視化結(jié)果對比Fig.3 Visual results comparison of Market-1501 dataset

3 結(jié)束語

針對改善行人重識別中類內(nèi)差異大、類間差異小的問題，本文提出了融合損失優(yōu)化的一種行人重識別方法。通過對交叉熵?fù)p失函數(shù)進(jìn)行添加類內(nèi)相似度和類間相似度的加權(quán)因子，使優(yōu)化方式更加靈活，優(yōu)化目的更明確。并提出添加中心損失來配合softmax訓(xùn)練，約束了類內(nèi)緊湊性。并與三元組損失聯(lián)合訓(xùn)練，一起作用于識別任務(wù)中。通過本文方法的改進(jìn)，使得網(wǎng)絡(luò)對行人的判別能力提升，提高了行人重識別的精度。并在主流公開數(shù)據(jù)集上對模型進(jìn)行了驗證。實驗表明，改進(jìn)后的網(wǎng)絡(luò)模型在具有更好的魯棒性和泛化能力的同時，對識別任務(wù)的準(zhǔn)確率取得了有效提高。