DMRNet++：通过解耦网络与丰富样本对学习判别性特征的一阶段行人检索

行人搜索旨在从原始视频帧中定位并识别查询行人，该任务由两个子任务共同构成：行人检测与行人重识别。当前主流方法称为“一步式行人搜索”，其通过统一网络联合优化检测与识别过程，展现出更高的效率。然而，该方法仍面临三大核心挑战：（i）在共享特征空间下，多个子任务之间存在目标冲突；（ii）受限于较小的批量大小，导致记忆库信息不一致；（iii）识别学习过程中未充分挖掘未标注身份样本的潜力。针对上述问题，本文提出一种增强型解耦且记忆强化网络（DMRNet++）。首先，我们简化了传统的紧密耦合流程，构建了一个任务解耦框架（Task-Decoupled Framework, TDF）。其次，设计了一种记忆强化机制（Memory-Reinforced Mechanism, MRM），利用网络的慢速移动平均来更有效地编码记忆特征的一致性。第三，考虑到未标注样本的潜在价值，我们将识别过程建模为半监督学习，并提出一种未标注样本辅助的对比损失（Unlabeled-aided Contrastive Loss, UCL），通过聚合未标注身份信息来增强识别特征的学习能力。实验结果表明，所提出的DMRNet++在CUHK-SYSU和PRW数据集上的mAP分别达到94.5%和52.1%，显著优于现有大多数方法。