通过不确定性特征融合方法与自动加权度量组合提升人员再识别性能

行人重识别（Person Re-identification, Re-ID）是一项具有挑战性的任务，旨在监控系统中跨不同摄像头视角识别同一行人。现有方法通常依赖于单摄像头视角的特征表示，在面对多摄像头场景以及视角变化、遮挡等挑战时，其性能往往受限。本文提出一种新方法，通过引入不确定特征融合方法（Uncertain Feature Fusion Method, UFFM）与自动加权度量组合机制（Auto-weighted Measure Combination, AMC），显著提升了Re-ID模型的性能。UFFM通过独立提取多张图像的特征，并融合生成多视角特征，有效缓解了视角偏差问题。然而，仅依赖多视角特征之间的相似性度量存在局限性，因为这类特征忽略了单视角特征中所蕴含的细节信息。为此，本文进一步提出AMC方法，通过融合多种相似性度量方式，构建更加鲁棒的综合相似性评估机制。在多个行人重识别数据集上的实验结果表明，所提方法显著提升了Rank@1准确率与平均精度均值（Mean Average Precision, mAP）。结合BoT基准模型，在具有挑战性的MSMT17数据集上，Rank@1提升达7.9%，mAP提升12.1%；在Occluded-DukeMTMC数据集上，Rank@1提升22.0%，mAP提升18.4%。实验结果充分验证了所提方法的有效性与优越性。代码已公开，访问地址：https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC