摘要

高性能行人重识别（Re-ID）要求模型同时关注行人的整体轮廓（全局外观）与局部细节特征。为提取更具代表性的特征，一种有效方法是采用具有多分支结构的深度网络模型。然而，大多数基于多分支的方法通过复制部分骨干网络结构实现，往往导致计算开销显著增加。本文提出一种轻量级特征金字塔分支（Feature Pyramid Branch, FPB），能够从网络的不同层级提取特征，并以双向金字塔结构进行融合。结合注意力模块与本文提出的交叉正交性正则化（cross orthogonality regularization），FPB仅引入少于150万额外参数，便显著提升了骨干网络的性能。在标准基准数据集上的大量实验结果表明，所提出的基于FPB的模型在性能上明显优于当前最先进方法，同时模型复杂度大幅降低。FPB借鉴了主流目标检测方法中特征金字塔网络（Feature Pyramid Network, FPN）的设计思想。据我们所知，这是该类金字塔结构首次成功应用于行人重识别任务，实验证明了以金字塔结构作为附属分支在相关特征嵌入模型中的巨大潜力。项目源代码已公开，地址为：https://github.com/anocodetest1/FPB.git。