摘要
行人重识别（Person Re-identification）旨在跨非重叠摄像头场景下识别同一个体。尽管该问题已取得显著进展，但由于同一行人外观的动态变化以及其他外观相似个体的干扰，仍面临严峻挑战。部分现有方法通过将正样本特征与负样本特征分离来缓解问题，但其性能在很大程度上依赖于训练样本的特性与统计分布。为此，本文提出一种名为“采样无关鲁棒特征表示网络”（Sampling Independent Robust Feature Representation Network, SirNet）的新框架，该框架能够从随机选取的样本中学习解耦的特征嵌入。为实现这一目标，我们设计了一种采样无关的最大差异损失（Sampling Independent Maximum Discrepancy Loss），用于将同一行人的样本建模为一个紧凑的簇。由此，所提出的框架可基于学习到的特征自动生成更具挑战性的负样本或正样本，从而显著提升对其他身份的判别能力。在多个大规模基准数据集上的大量实验结果表明，所提模型在性能上优于现有的最先进方法。