摘要

人员重识别（re-ID）是一项具有挑战性的任务，旨在学习用于人员检索的判别特征。在人员重识别中，Jaccard距离是一种广泛使用的距离度量方法，特别是在重新排序和聚类场景中。然而，我们发现摄像机变化对Jaccard距离的可靠性产生了显著的负面影响。具体而言，Jaccard距离基于相关邻居的重叠来计算距离。由于摄像机变化的影响，同一摄像机内的样本在相关邻居中占据主导地位，这不仅引入了同摄像机内的负样本，还排除了跨摄像机的正样本，从而降低了相关邻居的可靠性。为了解决这一问题，我们提出了一种新的基于摄像机信息的Jaccard距离（Camera-Aware Jaccard, CA-Jaccard），利用摄像机信息增强Jaccard距离的可靠性。具体来说，我们设计了基于摄像机信息的k-互近邻（Camera-Aware K-Reciprocal Nearest Neighbors, CKRNNs），以在同摄像机和跨摄像机排名列表中找到k-互近邻，从而提高相关邻居的可靠性并保证跨摄像机样本在重叠中的贡献。此外，我们提出了一种基于摄像机信息的局部查询扩展（Camera-Aware Local Query Expansion, CLQE），通过利用摄像机变化作为强约束条件来挖掘可靠样本，并赋予这些样本更高的权重以进一步提高可靠性。我们的CA-Jaccard距离方法简单而有效，可以作为一种通用的距离度量方法应用于人员重识别技术中，具有高可靠性和低计算成本。大量实验验证了该方法的有效性。