通过属性和身份学习提高行人重识别

行人重识别（re-ID）和属性识别的共同目标在于学习行人的描述。它们之间的区别在于粒度的不同。现有的大多数re-ID方法仅考虑行人的身份标签。然而，我们发现包含详细局部描述的属性有助于re-ID模型学习更具区分性的特征表示。在本文中，基于属性标签和身份标签的互补性，我们提出了一种属性-行人识别（APR）网络，这是一种多任务网络，它不仅学习re-ID嵌入，同时预测行人的属性。我们为两个大规模的re-ID数据集手动标注了属性标签，并系统地研究了行人重识别和属性识别如何相互受益。此外，我们还重新加权了属性预测，考虑到了各属性之间的依赖性和相关性。实验结果表明，在两个大规模的re-ID基准数据集上，通过学习更具区分性的表示，APR实现了与现有最先进方法相当的重识别性能。我们在Market-1501数据集上使用APR将检索过程加速了十倍，准确率仅下降了2.92%。此外，我们将APR应用于属性识别任务，并展示了相对于基线方法的改进。