摘要
人员再识别（Person Re-Identification，简称Re-ID）是指在不同摄像头、姿态、光照条件以及其他多种影响视觉外观的因素下，匹配同一人的多次出现。通常，这一任务通过学习最优特征或匹配度量来实现，这些特征或度量针对特定的摄像头视图对进行调整，而这些视图对由成对标注的训练数据集决定。在本研究中，我们提出了一种基于深度学习的新方法，用于自动原型域发现，以实现域感知（自适应）的人员再识别（而非特定摄像头对的学习），该方法适用于任何摄像头视图，并且可以扩展到新的未见过的场景而无需训练数据。我们为每个发现的原型域分别学习一个Re-ID模型，在模型部署过程中，利用待查询的人像自动选择最接近的原型域对应的模型。我们的方法既不需要监督也不需要无监督的域适应学习，即目标域中没有可用的数据。我们在现实条件下广泛评估了我们的模型，使用自动检测的边界框进行测试，这些边界框具有低分辨率和部分遮挡的情况。实验结果表明，我们的方法在最新的CUHK-SYSU和PRW基准测试中优于大多数现有的监督和无监督方法。