面向大规模数据行人重识别的相对邻域信息方法研究

Person re-identification refers to the technology that uses computer vision techniques to build the cross-camera correspondence for the target person who appears in different camera views based on his/her full-body appearance information. Current research on this issue mainly concentrates on the original-information methodology for the small-scale data scenario. This kind of methodology usually only focuses on the information independently contained within the data themselves, so it is quite sensitive to the noisy interferences and data variations. In the large-scale data scenario that accords with practical application, noisy interferences are more severe, and data variations are more complicated, but sample resources of the same class are relatively limited. These largely influence the performance of original-information methods inevitably. Therefore, this project will explore in depth the relative neighborhood information contained in the relative relationship between data neighborhoods, and study the new methodology based on such information, in order to effectively handle the problems of severe noisy interferences and complicated data variations confronted by person re-identification in the large-scale data scenario. This project starts the research from distance metric, and then deepens and extends it step by step, and finally realizes the large-scale relative neighborhood deep field, which consequently provides an effective solution to large-scale data person re-identification. It can be anticipated that the research in this project not only can improve the methodological theory of person re-identification, but also has very significant meaning for promoting the practical application of it.

行人重识别是指利用计算机视觉技术对出现在不同摄像头视野的目标人员基于其全身表观信息建立跨镜头关联的技术。该课题的现有研究主要集中于面向小规模数据场景的原始信息方法。这类方法通常只专注数据自身独立蕴含的信息，因此对噪声干扰与数据变化十分敏感。在符合实际应用的大规模数据场景中，噪声干扰更加严重，数据变化更为复杂，而同类样本资源却相对有限。这些难免大大影响了原始信息方法的性能。为此，本项目将深入探索数据邻域间相对关系中所蕴含的相对邻域信息，并基于该信息研究新的方法，以期有效处理大规模数据场景中行人重识别所面临的严重的噪声干扰与复杂的数据变化等问题。本项目以距离测度为切入口开展研究，并逐步将其深化拓展，最终实现大规模相对邻域深度场，从而为大规模数据行人重识别提供有效解决方案。可以预见，本项目的研究不仅能完善行人重识别方法理论，而且对促进其实际应用也具有非常重要的意义。

行人重识别对于智能监控、智能检索等场景都具有重要价值。.主要内容有：(1)研究相对邻域距离度量与测度学习方法，实现相对邻域深度学习与大规模局域场。我们设计多种相对领域距离度量法，挖掘样本间相对邻域特性，克服传统距离在度量分类过程中对样本分布偏差敏感的问题。（2）研究相对邻域深度学习方法，该方法同时学习图像特征的学习和相对邻域距离，对大规模数据空间进行局域化分割，进而在适当降低数据规模的各局部区域内进行相对邻域深度学习，设计互补性特征，挖掘强噪声干扰下的信号弱信息，增强模型在分类过程中对异常噪声数据的抵御力。（3）将研究内容（1）和（2）有机结合成大规模相对领域深度场，重点研究如何将相对邻域信息挖掘融入深度学习架构，并对该模型实施优化求解，从而抑制潜在的过拟合风险，为大规模数据行人重识别提供了解决方案。（4）研究对抗生成网络、迁移学习和强化学习在模式识别及行人重识别领域上的应用，运用对抗生成网络、迁移学习克服行人重识别中数据依赖、训练数据不足的问题。强化学习在行人重识别中的应用在某些决策问题上显示出了极大的优势，帮助提升重识别的准确性和鲁棒性。.科学意义如下：行人重识别过程中广泛存在噪声干扰严重，数据变化剧烈，而同类样本资源有限的问题，从而导致数据类间差异小、类内差异大，并大大限制现有算法分类力和泛化力。而大规模数据场景中这些问题更为显著。针对上述问题，本项目围绕相对领域信息从多角度展开研究，并逐步将其深化拓展，最终实现大规模相对邻域深度场，从而为本课题提供有效解决方案。从模式识别的角度，除了行人重识别课题外，该解决方案能用于面临类似问题的更广泛场景，如基于生理信号的身份识别、情绪识别等。.项目期间，共计发表论文8篇（未计在投行人重识别的综述1篇），获得软件著作权1项，并设计了“基于对抗生成网络和深度学习行人重识别模型”，并取得了优秀性能。