控制与决策

作者：陈玉山,邹国锋,傅桂霞,陈贵震,黄志威,胡彬

单位：山东理工大学 电气与电子工程学院，山东 淄博 255000,,山东理工大学 电气与电子工程学院，山东 淄博 255000,,山东理工大学 电气与电子工程学院，山东 淄博 255000,,中国矿业大学 信息与控制工程学院，江苏 徐州 221112,,山东理工大学 电气与电子工程学院，山东 淄博 255000,,山东理工大学 电气与电子工程学院，山东 淄博 255000,

关键词：行人重识别;双流架构;行人属性识别;属性相关;属性一致损失;重排序

基金：山东省自然科学基金项目(ZR2022MF307).

在行人重识别领域, 重排序作为后处理技术对提升准确率至关重要. 当前策略主要以互近邻关系为约束, 但受模型性能限制, 容易引入混淆样本, 导致重排序的效果不佳. 为解决该问题, 提出一种属性相似的$K $-互近邻重排序策略. 在$K $-互近邻的基础上, 以同源行人图像的属性相似为约束, 构建鲁棒的候选图像集, 增强重排序效果. 鉴于该策略对属性识别性能的依赖性较强, 提出属性相关和部位关联的行人重识别网络. 首先, 该模型将行人属性与局部区域进行耦合, 在提取局部特征的同时, 识别各部位对应的属性; 其次, 提出属性相关模块, 利用属性间固有的相关性修正预测错误的属性; 然后, 提出属性一致损失, 利用不同视角的图像对遮挡属性进行关联互补, 进一步提高属性识别的准确性; 最后, 将属性识别结果应用于属性相似的$K $-互近邻重排序策略, 获得更优的重排序结果. 在Market-1501和DukeMTMC-reID数据集上的实验结果表明, 所提出的方法能够显著提升行人重识别性能.

来源：2026年第3期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第3期