摘要
行人重识别（Person Re-Identification, Re-ID）旨在跨摄像头和视角的图像库中，检索属于同一身份的行人图像。然而，当前大多数行人重识别方法均基于短期设定，假设行人的外观特征保持不变。相比之下，在长期设定下，由于服装和配饰的频繁变化，视觉差异显著增大，使得该任务更具挑战性。因此，学习对时间变化特征不敏感的身份特异性特征，对于实现鲁棒的长期行人重识别至关重要。为此，本文提出一种属性去偏置视觉Transformer（Attribute De-biased Vision Transformer, AD-ViT），通过提供直接监督信号，引导模型学习身份特异性特征。具体而言，我们为行人实例生成属性标签，并利用这些标签通过梯度反转机制，引导模型关注身份相关特征，同时抑制与时间变化相关的属性干扰。在两个长期行人重识别数据集LTCC和NKUP上的实验结果表明，所提出的方法在各项指标上均持续优于当前最先进的方法。