摘要

学习多样化的特征是实现行人重识别（person re-identification）成功的关键。尽管已有大量基于局部区域的方法被提出以学习局部表征，但其性能仍逊于当前表现最佳的模型。本文提出构建一种强而轻量的网络架构——PLR-OSNet，该架构基于“全局尺度网络（Omni-Scale Network, OSNet）上的局部特征分辨率”这一思想，旨在提升特征多样性。所提出的PLR-OSNet包含两个分支：一个用于全局特征表示，另一个用于局部特征表示。其中，局部分支采用统一划分策略实现局部层级的特征分辨率，但仅引入单一的身份预测损失（identity-prediction loss），这与现有基于局部区域的方法形成鲜明对比。实验结果表明，尽管模型规模较小，PLR-OSNet在多个主流行人重识别数据集（包括Market1501、DukeMTMC-reID和CUHK03）上均取得了当前最优的性能表现。