摘要

由于人员再识别任务经常面临姿态变化和遮挡问题，训练卷积神经网络（CNNs）时，一些注意力局部特征往往会被抑制。在本文中，我们提出了一种批处理丢弃块（Batch DropBlock, BDB）网络，该网络由两个分支组成：一个传统的ResNet-50作为全局分支，另一个为特征丢弃分支。全局分支编码全局显著表示。同时，特征丢弃分支包含一个称为批处理丢弃块的注意力特征学习模块，该模块随机丢弃一批输入特征图中的相同区域，以增强局部区域的注意力特征学习。网络随后将来自两个分支的特征进行拼接，提供了一个更加全面且空间分布更广的特征表示。尽管方法简单，我们的方法在人员再识别任务上达到了最先进的性能，并且也适用于一般的度量学习任务。例如，在CUHK03-Detect数据集上，我们实现了76.4%的Rank-1准确率；在Stanford Online Products数据集上，我们获得了83.0%的Recall-1分数，大幅超越了现有工作的表现（超过6%）。