摘要
作为实例级识别问题，行人重识别（ReID）依赖于判别特征，这些特征不仅能够捕捉不同的空间尺度，还能封装多种尺度的任意组合。我们将同质和异质尺度的特征称为全尺度特征（omni-scale features）。本文设计了一种新型的深度ReID卷积神经网络，命名为全尺度网络（Omni-Scale Network, OSNet），用于全尺度特征学习。通过设计一个由多个卷积流组成的残差块，每个流检测特定尺度的特征来实现这一目标。重要的是，引入了一种新颖的统一聚合门机制，可以动态地根据输入依赖的通道权重融合多尺度特征。为了高效地学习空间-通道相关性并避免过拟合，构建模块采用了逐点卷积和深度可分离卷积。通过逐层堆叠这种模块，我们的OSNet极其轻量级，并且可以在现有的ReID基准数据集上从头开始训练。尽管模型体积较小，OSNet在六个行人重识别数据集上仍取得了最先进的性能，明显优于大多数大型模型。代码和模型可在以下网址获取：\url{https://github.com/KaiyangZhou/deep-person-reid}。