摘要
作为一种跨摄像头检索任务，人员重识别（Person Re-Identification）面临着由不同摄像头引起的图像风格变化问题。现有方法隐式地通过学习一个与摄像头无关的描述子子空间来解决这一问题。在本文中，我们显式地考虑了这一挑战，引入了摄像头风格（CamStyle）适应技术。CamStyle 可以作为数据增强方法，用于平滑不同摄像头之间的风格差异。具体而言，利用 CycleGAN，可以将带有标签的训练图像转换为每个摄像头的风格，并与原始训练样本一起构成增强后的训练集。这种方法不仅增加了数据多样性以防止过拟合，同时也引入了一定程度的噪声。为了减轻噪声的影响，采用了标签平滑正则化（Label Smooth Regularization, LSR）。我们的基础方法（不使用 LSR）在少数摄像头系统中表现良好，这些系统中通常会出现过拟合现象。通过引入 LSR，我们在所有系统中都展示了持续的性能提升，无论是否存在过拟合问题。此外，我们还报告了与当前最先进方法相当的准确性。