Deep Miner：一种深度多分支网络，用于挖掘行人重识别中的丰富且多样化的特征

近年来，大多数行人重识别（person re-identification）方法均基于深度卷积神经网络（CNN）构建。尽管这类网络在图像分类、目标检测等任务中表现出色，但其通常倾向于关注目标对象中最具有判别性的局部区域，而非全面捕获所有相关特征。这种特性在行人重识别任务中构成显著瓶颈，因为该任务要求模型能够识别多样化且细粒度的特征。因此，使网络学习更广泛、更精细的特征表达，对于实现高效且对细微变化具有鲁棒性的重识别至关重要。本文提出一种名为 Deep Miner 的新方法，旨在引导 CNN “挖掘”出更丰富、更具多样性的行人特征，以提升重识别性能。Deep Miner 由三种特定结构的分支构成：全局分支（G-branch）、局部分支（L-branch）和输入擦除分支（IE-branch）。其中，G-branch 作为初始主干网络，负责预测行人的全局特征；L-branch 则专注于提取局部区域级别的细粒度特征；而 IE-branch 接收经过部分抑制的特征图作为输入，从而促使网络“挖掘”出原本被 G-branch 忽略的潜在特征作为输出。为实现这一目标，本文设计了一种专门的特征抑制机制，用于在给定 CNN 中识别并移除特定特征，以激发网络对被忽略特征的学习能力。该抑制策略具有结构简单、易于实现的优点，同时所生成的模型在性能上显著超越当前最先进（SOTA）的重识别方法。在四个标准行人重识别基准数据集上的实验结果表明，Deep Miner 相较于现有最优方法，平均精度均值（mAP）实现了最高达 6.5% 的绝对提升。