摘要
行人重识别（ReID）任务面临诸多挑战，例如遮挡和尺度变化等问题。现有方法通常采用单分支网络来应对这些挑战，但这种网络需要具备对各种复杂情况的强鲁棒性，导致网络负担过重。本文提出一种“分而治之”的策略来解决ReID任务。为此，我们引入多种自监督操作，模拟不同的挑战性场景，并通过不同的子网络分别处理各类问题。具体而言，我们采用随机擦除（random erasing）操作，并提出一种新颖的随机缩放（random scaling）操作，以生成具有可控特性的新图像。为此，我们设计了一种通用的多分支网络结构，包含一个主分支和两个从属分支，用于应对不同场景。各分支之间协同学习，从而获得差异化的感知能力。通过该机制，ReID任务中复杂的场景被有效解耦，各分支的计算负担也得以减轻。大量实验结果表明，所提出方法在三个标准ReID基准数据集以及两个遮挡ReID基准数据集上均取得了当前最优的性能表现。消融实验进一步验证了所提出的网络结构与自监督操作在多种场景下均能显著提升模型性能。代码已开源，地址为：https://git.openi.org.cn/zangxh/LDS.git。