随着国家对智慧城市建设的大力投入以及监控设备的迅速发展，大量监控摄像头安装在各大商场、小区以及易发生安全事故的人流密集场所，不仅给人民生活带来了保障，也为警方侦察带来了便捷。公安机关可以根据摄像头拍摄的内容进行嫌疑犯的锁定和跟踪，极大加快了案件的侦破速度，提高了办案效率。但是，实时监控网络多采用人工观察的方法，海量的监控数据和长时间观察对工作人员来说是一种沉重负担，使其无法长时间集中注意力。因此，人工监控的方法不适用于海量监控数据的管理和分析。行人再识别技术的出现，有效解决了这个问题。行人再识别也称为行人重识别，其任务是给定一个监控设备中的行人图像，检索其他设备中的该行人图像。由于监控设备拍摄角度不同，导致拍摄的行人往往呈现多种外观变化，同一行人在不同摄像头中的外观存在较大差异。其中，最为显著的是行人姿态严重形变且可能伴随部分遮挡，给行人再识别带来了极大挑战。

以卷积神经网络为代表的深度学习方法(Liu等，2019；朱福庆等，2018；陈亮雨和李卫疆，2019)在行人再识别任务中取得了良好成绩。相比于传统的手工特征(齐美彬等，2018)，卷积神经网络在复杂场景下可以提取更具有鉴别性的行人特征，从而得到更好的识别性能。但当物体发生形变时，传统的卷积神经网络无法根据物体的形变做出卷积形式的改变。此外，当目标出现遮挡导致关键信息丢失时，模型的性能会急剧下降。针对上述两方面问题，以往的解决方式是通过生成对抗网络(generative adversarial networks，GAN) (Goodfellow等，2016)生成同一行人的多种姿态(Liu等，2018)和在原始数据库中对每一幅图像进行不同程度的遮挡(Huang等，2018)。这类方法都是基于数据扩充或增强的方式来增加训练样本的多样性，从而使得模型可以在更加复杂的场景下进行训练。但该方法得到的困难样本无论是形变还是遮挡程度，都是众多复杂情况下的少数情况。因此，模型适应未知形变或遮挡的能力有限，仍会存在性能下降的问题。此外，采用GAN网络进行迁移学习训练难度更高，存在收敛困难问题，且不是端到端的方法。

为此，本文提出一种更加有效的端到端融合形变与遮挡机制的行人再识别算法，可以同时解决形变和遮挡的问题。本文的主要贡献如下：

1) 在现有卷积神经网络的行人再识别框架下，引入了可变形卷积层，根据当前识别的内容动态调整卷积核的作用位置来模拟行人的姿态改变，从而增加训练样本的形变多样性，提高模型对行人姿态改变的处理能力。

2) 针对行人再识别遮挡问题，提出通过擦除模型学习到的高响应区域，仅保留鉴别性较差的低响应区域来生成遮挡样本，从而增加样本的复杂性，通过强迫模型从低响应区域学习区分性特征来提高模型解决遮挡问题的能力。

3) 本文提出的解决形变和遮挡的行人再识别算法在公开数据集Market-1501、DukeMTMC-reID和CUHK03上进行实验评估，取得了较高的准确率。

4) 本文方法扩展性较强，可以扩展到其他一些基于卷积神经网络结构的识别任务中。

行人再识别工作具有极大的应用价值，受到越来越多的关注，但受限于行人姿态改变以及遮挡的影响，行人再识别工作仍然是一项艰巨任务。现有的大部分工作主要从两个方面进行研究，一是提取鲁棒性特征，二是设计合理的距离度量。传统算法(Liao等，2015；Matsukawa等，2016)往往设计一种鲁棒的手工特征来应对行人姿态的改变以及遮挡问题。此外，一些研究工作同样尝试采用鲁棒的距离度量。Köstinger等人(2012)提出一种简单直接的距离度量学习算法(keep it simple and straight forward metric，KISSME)，用于大尺度数据的距离度量学习。Pedagad等人(2013)提出局部Fisher判别分析度量学习算法(local Fisher discriminative analyze，LFDA)，不对所有的样本点赋予相同权重，而是考虑局部样本点，应用局部Fisher判别分析方法为降维的特征提供有识别能力的空间。虽然传统算法实现了有效的行人特征的表达，但传统算法提取的特征无法针对行人遮挡以及形变提取更加有效的特征，因此传统算法的鲁棒性较差，在复杂环境下的识别性能往往很低。

基于深度学习的方法(Sun等，2017；Zhao等，2017；Si等，2018；Zheng等，2018)逐渐成为行人再识别的主要方式。相比于传统方法，通过深度学习提取到的特征更加具有判别性，可以得到更好的识别准确率。但是，深度行人再识别模型的性能很大程度上受限于可训练数据的数量，如果数据量较大，那么模型可以在更复杂的场景下学习，更有利于后期模型的识别工作。但大规模的数据集需要人工裁剪和标记，这消耗了更多的时间和经济成本。为此，Zhong等人(2017a)提出随机擦除算法，在图像上随机选择一个矩形区域，并将其像素值设置为随机值来产生遮挡式的样本，这在一定程度上提高了模型应对遮挡样本的能力。相比于在图像上擦除样本的方式，Dai等人(2019)进一步提出了在特征层面上进行擦除的方法，目的是不希望网络过于关注那些显而易见的全局特征。但上述方法都是基于随机遮挡的方式来生成遮挡样本。本文方法是擦除高响应区域，相比之前的方法更具有针对性，可以生成更加困难的行人遮挡样本。目前，注意力机制的方法广泛应用于场景分割(Long等，2015)、图像分类(Krizhevsky等，2012)和目标检测(Girshick等，2014)等计算机视觉领域，基于注意力机制的方法可以让网络更关注区分性特征。受注意力机制的启发，本文通过遮挡空间注意力所关注的显著性特征来生成遮挡困难样本。相比于随机遮挡的形式，本文方法更加具有针对性，遮挡造成的训练难度更大，从而模型可以捕获更加鲁棒性的特征。

此外，对于行人再识别中的形变问题，传统算法提取形状不变特征(scale-invariant feature transform，SIFT)(Lowe等，1999), 但手工设计的特征往往鲁棒性较差，在遇到未知复杂的形变时，模型的性能会急剧下降。近年来，采用姿态迁移的方法生成固定形变样本成为解决行人形变的主要方法。Ma等人(2017)提出了一种基于姿态指导的行人图像生成方法，采用两阶段的生成策略，通过预估行人大体轮廓后再合成精细的残差图来增强合成图像的细节纹理，虽然完成了姿态的迁移，但生成的图像分辨率较差，不利于后续的模型训练。相比于Ma等人(2017)的方法，Qian等人(2018)提出了一种姿态归一化的生成对抗方法，可以生成较清晰的固定姿态的行人图像，在一定程度上缓解了姿态多样性造成的模型学习视角不敏感带来的特征差的问题，但为每个行人仅生成8种简单姿态的图像，仍然无法提高模型应对行人复杂姿态情况的识别效果。最近，Zhu等人(2019)提出了一种基于注意力的姿态迁移的方法，将原始图像、原始图像姿态关键点以及目标姿态关键点输入至姿态注意力迁移网络，从而将目标姿态更加有效地替换原始图像中的姿态。上述工作取得了一定的效果，但仍然存在3个缺点：1)基于姿态迁移的方法需要预先生成目标行人关键点来完成姿态的迁移，因此目标行人姿态的丰富性受限于关键点的丰富性，且较为复杂的关键点很难完成迁移；2)基于姿态迁移的工作(Ma等，2017；Qian等，2018；Siarohin等，2018；Zhu等，2019)大多采用生成对抗网络实现，图像分辨率较差且存在失真问题，不利于模型的训练；3)采用GAN的方法往往存在收敛问题且不是端到端的训练形式，无法直接应用于行人再识别模型。相比于上述方法，本文采用可变形卷积的方式来模拟行人的形变，通过在线学习的方式产生多样且复杂的形变特征。由于本文的形变方法是一种端到端的形式，不需要生成形变的行人图像，因此没有图像失真以及关键点迁移问题。为了进一步提高行人识别的准确率，研究者提出了重排序(re-ranking)(Zhong等，2017b)和多帧排序(multiple query)的方法，从而进一步提高行人识别的准确性。值得注意的是，上述策略均可以与本文方法联合使用。

本文提出一种融合形变与遮挡机制的行人再识别算法。通过可变形卷积生成行人的形变样本，通过擦除空间注意力高响应对应的特征区域生成行人遮挡样本。整体的网络结构如图 1所示。

本文的基线模块是在主干网络ResNet50(He等，2016)后应用空间注意力来提取行人的全局特征。在此基础上，提出遮挡生成模块与形变生成模块来分别提取行人的遮挡与形变特征。在训练阶段，每种类型的特征经过全局平均池化(global average pooling，GAP)后在3个独立的分类器监督下分别进行训练；在推理阶段，3种类型的特征级联作为行人特征描述子。

本文采用的基线方法为：在ResNet50的Conv5_3末端嵌入空间注意力机制，Conv5_3输出的特征图经过空间注意力修正后作为基线的特征描述子。具体地，空间注意力模块由两个1×1卷积和一个3×3卷积组成。在公式表达上，定义$\mathit{\boldsymbol{X}}∈ {{\bf{R}}}^{c×h×w}$为Conv5_3输出特征图，其中，$c$, $h$, $w$分别代表特征图的通道数量、高度和宽度。首先利用1×1卷积降低特征图通道数量为${\bf{R}}^{c/r×h×w}$，其中$r$为降维比例，然后经过3×3卷积扩大感受野，最后再经过1×1卷积将维度降为${\bf{R}}^{1×h×w}$。空间注意力模型计算为

$\begin{array}{*{20}{c}} {M_{\mathrm{s}}(\boldsymbol{X})=B N\left(g_{2}^{1 \times 1}\left(g_{1}^{3 \times 3}\left(g_{0}^{1 \times 1}(\boldsymbol{X})\right)\right)\right)}\\ {\boldsymbol{F}_{1}=\boldsymbol{X} \odot M_{\mathrm{s}}(\boldsymbol{X})} \end{array} $

(1)

式中，$g$表示卷积操作，其右上角数字代表卷积核大小，$BN$(batch normalization)为数据归一化操作，$M_{s}(\mathit{\boldsymbol{X}})∈ {\bf{R}} ^{h×w}$为空间注意力图，$⊙$表示哈达玛积(Hadamard product)，$\mathit{\boldsymbol{F}}_{1}$表示基线输出特征图。

在行人再识别算法中，遮挡会造成模型识别性能下降，因为可区分性特征一旦遮挡，便丢失了具有判别性的视觉线索。为了提取更加鲁棒的行人特征，受注意力机制模型的启发，本文通过遮挡空间注意力高响应对应的特征图，仅保留空间注意力低响应对应的特征图，在卷积特征空间生成遮挡样本，并输入给分类器学习。如图 2所示，基线模块中的空间注意力模型在特征图空间方向上学习的位置信息非常关键，更值得模型关注。当得到空间注意力响应图后，将其中高响应区域的响应值置为0，其他区域数值保持不变，得到掩模$\overline{M(\boldsymbol{X})}$，再将$\overline{M(\boldsymbol{X})}$与原始特征图作哈达玛乘积，得到本文的遮挡样本。$\overline{M(\boldsymbol{X})}$可表示为

$\begin{array}{*{20}{c}} {\overline {M(\mathit{\boldsymbol{X}})} = \left\{ {\begin{array}{*{20}{l}} 0&{{M_s}{{(\mathit{\boldsymbol{X}})}_{i, j}} > t}\\ {{M_s}{{(\mathit{\boldsymbol{X}})}_{i, j}}}&{{\rm{ 其他 }}} \end{array}} \right.}\\ {\begin{array}{*{20}{l}} {{\rm{ s}}{\rm{.t}}{\rm{. }}}&{i \in w, j \in h} \end{array}} \end{array} $

(2)

式中，$M_{s}(\mathit{\boldsymbol{X}})_{i, j}$表示基线模块学习到的空间注意力图$M_{s}(\mathit{\boldsymbol{X}})$中第$i, j$位置的数值。当数值大于阈值$t$时，赋值为0，否则保留原值。最后$\overline{M(\boldsymbol{X})}$与原始特征$\mathit{\boldsymbol{X}}$相乘得到特征图$\mathit{\boldsymbol{F}}_{2}$。上述操作将特征图$\mathit{\boldsymbol{F}}_{2}$中的高响应区域置为0，因此$\mathit{\boldsymbol{F}}_{2}$可以理解为行人判别性区域遮挡更具困难性的样本。

行人姿态变化同样影响着模型的识别性能，为了提高模型对行人姿态变化识别的鲁棒性，本文进一步提出在线生成行人形变特征。具体地，采用一种可变形卷积模块(Dai等，2017)，如图 3所示。

该模块由两个分支构成，上面的分支通过两个卷积层生成一个2D的采样大小网格，将学习到的偏移量作用于原始的特征图，然后再进行卷积操作。此时卷积操作采样的点并不是标准采样形式，而是需要结合学习到的偏移量进行选择性采样。由于卷积网格是以一种考虑偏移量后的非规则形状，因此卷积后生成的特征图$\mathit{\boldsymbol{F}}_{3}$称为形变特征。在公式描述上，以3×3的卷积核大小为例，卷积核采样位置定义为

$\boldsymbol{L}=\{(-1, -1), (-1, 0), (-1, 1), \cdots, \\ \;\;\;\;\;\;\;\;\;\;(1, -1), (1, 0), (1, 1)\} $

(3)

式中，$\mathit{\boldsymbol{L}}$中的数字代表卷积核中9个格点在一个卷积核中的位置，$N= \mathit{\boldsymbol{L}} $为格点数。由于偏移量包括水平和垂直两个方向，为此，通过额外的卷积操作(convolution，conv)生成维度为2$N、$空间大小不变的特征偏移量$\mathit{\boldsymbol{f}}$, 此时，特征图$\mathit{\boldsymbol{X}}$中每个特征值的位置为原始坐标值加上偏移值。对于常规卷积特征图$\mathit{\boldsymbol{Y}}$，其空间位置$(i_{o}, j_{o})$的特征值计算为

$\begin{aligned} Y\left(i_{o}, j_{o}\right)=& \sum\limits_{(i, j \in \mathit{\boldsymbol{L}})} \omega(i, j) \otimes X\left(\left(i_{o}, j_{o}\right)+(i, j)\right) \\ & \text { s. t. } \quad i_{o} \in w, j_{o} \in h \end{aligned} $

(4)

式中，$ω(i, j)$为卷积核$(i, j)$位置的权重值，$\otimes$表示卷积操作。然而，在可变形卷积中，卷积操作需要考虑原始卷积核中$(i, j)$位置的偏移量$($Δ$i, $Δ$j)$，因此将式(4)进一步改写为

$\boldsymbol{F}_{3}\left(i_{o}, j_{o}\right)=\sum\limits_{(i, j \in \boldsymbol{L})} \omega(i, j) \otimes\\ \boldsymbol{X}\left(\left(i_{o}, j_{o}\right)+(i, j)+(\Delta i, \Delta j)\right) $

(5)

式中，$\mathit{\boldsymbol{F}}_{3}$为形变特征，$(i, j)+(Δi, Δj)$表示此时的卷积操作是在带有偏移量的特征图上进行的。需要注意的是，$(Δi, Δj)$通常是小数，因此需要采用线性插值方式确定非整数位置的采样，具体为

$X(I, J)=\sum\limits_{q}^{w} \sum\limits_{p}^{h} G((q, p), (I, J)) X(q, p) $

(6)

式中，非整数坐标$(I, J)=(i_{o}, j_{o})+(i, j)+(Δi, Δj)$，$(q, p)$为特征图$\mathit{\boldsymbol{X}}$的整数位置坐标，$G (·, ·)$是2维线性插值核，式(6)可以进一步分离为

$\begin{array}{*{20}{c}} {G((q, p), (I, J))=}\\ {\max (0, 1-|q-I|) \cdot \max (0, 1-|p-J|)} \end{array} $

(7)

通过上面的方法，可变形卷积模块可以灵活地改变卷积核的采样位置，实现从行人的不同区域提取特征并融合，从而模拟行人的姿态改变，生成形变特征，进一步提高模型应对行人姿态改变的能力。

在Market-1501、DukeMTMC-reID和CUHK03数据集上进行实验。通过与基线方法以及现有的行人再识别方法对比，验证本文方法的有效性。

Market-1501(Zheng等，2015)数据集由6个摄像头拍摄的32 668幅图像组成，包含1 501个行人。实验将751个行人共12 936幅图像作为训练集，750个行人共19 732幅图像作为测试集。

DukeMTMC-reID(Ristani等，2016)数据集由8个摄像头拍摄的36 411幅图像组成，包含1 404个行人。实验将702个行人共16 522幅图像作为训练集，702个行人共17 661幅图像作为测试集。

CUHK03(Li等，2014)数据集由两个摄像头拍摄的14 097幅图像组成，包含1 467个行人。实验将767个行人样本作为训练集，700个行人样本作为测试集。

实验基于深度学习框架Pytorch完成，采用GPU为TITAN XP的深度学习服务器进行训练。在训练过程中，采用随机梯度下降算法优化模型，初始学习率、权重衰减系数以及优化器动量数值分别设置为0.04，0.000 5和0.9，batch size设置为32，整个网络的训练迭代(epoch)次数设置为60次，学习率在40次迭代后衰减为0.004。此外，所有输入网络中的图像尺寸统一调整为256 × 128像素，降维比例$r$设置为16，遮挡样本阈值$t$设置为0.7。数据增强方式仅采用随机翻转，基础模型(ResNet50)初始化参数采用ImageNet上的预训练参数。

本文采用累计匹配特性曲线(cumulative match characteristic, CMC)和平均精度均值(mean average precision，mAP)来评估算法的性能。CMC曲线中Rank-$k$表示前$k$个搜索结果中找到待查询行人的比率。mAP指所有查询样本正确率-召回率曲线下面积的平均值，反映了行人再识别方法总体性能。

为了说明本文方法的有效性，与现有的行人再识别算法进行对比分析，包括基于遮挡样本生成的方法IDE + RE(ID discriminative embedding + random erasing) (Zhong等，2017a)，AOSReID(adversarially occluded samples for person re-identification) (Huang等，2018)，基于奇异值分解的显著性特征学习方法SVDNet(singular vector decomposition network)(Sun等，2017)、基于困难样本挖掘的方法Triplet Loss(Hermans等，2017)、基于注意力机制的方法DLPAR(deeply learned part aligned represent)(Zhao等，2017)以及基于姿态迁移的方法Pose-Transfer(Liu等，2018)。表 1-表 3分别给出在3个数据集上的实验对比结果。

与同样采用遮挡样本生成方法的AOSReID相比，本文方法在Market-1501、DukeMTMC-reID和CUHK03(detected)数据集上的性能仍有较大提升，如表 1-表 3所示，Rank-1指标分别提升了3.03 %、2.79 %和1.65 %，mAP指标分别提升了3.55 %、2.35 %和0.44 %。原因在于，虽然AOSReID方法通过滑窗遮挡的方式生成了遮挡性的样本，但尺寸固定的滑窗方法往往只能遮挡住一部分显著性区域，并不适合环境复杂的情况。而本文考虑到显著性区域往往是不规则区域，因此通过设置阈值的方式获取更具遮挡性的样本，从而实现了更好的实验结果。

与Market-1501数据集相比，DukeMTMC-reID数据集的复杂性更高。在该数据集上，与其他方法相比，本文方法仍能取得性能上的提升，如表 2所示。与Pose-Transfer方法相比，本文方法具有较大优势，原因在于Pose-Transfer方法采用GAN网络生成多种姿态的行人图像，然后与原始图像同时送进网络训练。虽然在一定程度上解决了行人姿态变化对模型性能的影响，但其姿态多样性与实际场景下的行人姿态仍具有较大差别，且GAN网络训练难度大、收敛慢，生成的多种行人姿态图像需重新送入网络中训练行人识别模型，不是端到端的学习过程。而本文采用端到端的在线学习的方式，生成更为多样且复杂的行人形变特征，实现了更加优异的结果。

受限于CUHK03数据量不足，模型在该数据集上更容易出现过拟合问题，性能表现往往很差。本文方法在卷积特征空间在线生成困难特征图，丰富了样本的多样性，提高了模型的泛化能力。如表 3所示，与Pose-Transfer和AOSReID单独使用姿态迁移或遮挡样本不同，本文方法将形变和遮挡结合使用，模型的性能实现了进一步提升。

为了进一步验证本文方法的有效性，本文从定量和定性分析两方面进行验证。首先，测试基线方法在3种数据集上的实验结果。在相同的参数设置下，本文测试分别加入形变、遮挡以及二者结合方法的实验，具体对比结果如表 4-表 6所示。此外，通过可视化的形式直观展示了遮挡方法和形变方法的有效性。

遮挡和形变样本生成是为了增强模型对视觉线索具有不变性的学习能力，从而在复杂环境和行人表观变化时仍能提取有效的行人特征。图 4是基线方法与本文方法的CMC对比。从表 4-表 6和图 4可以看出，无论单独或结合使用，本文方法的识别效果都优于基线方法。

在小规模数据集CUHK03上，由于该数据集样本数较少、多样性差，因此模型训练时容易出现过拟合问题。然而，本文通过形变与遮挡样本生成的方式增加样本的多样性、复杂性以及样本的学习难度，从而使得模型更加关注鲁棒性的特征，因此可以在CUHK03数据集上实现较大的性能提高。具体地，在CUHK03-labeled数据集上，本文方法相比于基线方法，Rank-1提高8.72 %，mAP提高8.0 %；在更加困难的检测器裁剪下的CUHK03-detected数据集上，本文方法相比于基线方法，Rank-1提高9.43 %，mAP提高8.74 %。在DukeMTMC-reID数据集上，本文方法仍然有较大的提升，说明即便在复杂的数据集下，该方法仍是一种有效的手段。但在Market-1501数据集上，两种方法单独使用时的模型性能略高于结合的方式。因此推测，增加形变与遮挡困难样本的方法在Market-1501数据集上引入了过多的干扰，导致模型学习了不相干的信息，使识别准确性有所下降，但整体的识别结果仍然高于基线的方法。上述消融实验证明了本文每一个设计的有效性。

为了从视觉上直观地展现本文方法的有效性，图 5给出了基线方法和本文方法的行人查询排序结果。图 5为模型检索的前10名排序结果。其中第1列是待查询图像，其他是候选图像。绿色框代表待查询图像与候选图像为同一行人，红色框代表为不同行人。

从图 5可以看出，对于完整行人，基线方法和本文方法都可以准确识别。当行人出现遮挡(第2行)时，基线方法前10名检索结果中出现5个错误识别，本文方法出现1个。当行人姿态改变(第3行)时，基线方法出现6个错误识别，本文方法出现2个。为了更加突出本文方法的优越性，将同时发生遮挡及形变的行人(第4行)作为待查询对象，基线方法识别性能进一步下降，排序图中出现7个错误，而本文方法实现了全部正确的查询结果。这从定性的角度证明了本文方法的有效性。此外，对于错误识别出现的次序，相比于基线方法，本文的错误查询结果在排序图中更靠后，说明本文的总体性能更加优越。

同时，对遮挡和形变两种模块分别进行了可视化分析，如图 6所示。图 6(a)第2列为基线方法对遮挡行人的可视化，通过擦除空间注意力高响应区域(图 6(a)第3列)获得低响应区域特征(图 6(a)第4列)，送至分类器Ⅱ中学习，从而提高模型对低响应行人区域(图 6(a)第5列)的关注能力。实验表明，本文采用遮挡模块可以学习与基线方法互补的特征。尤其图 6(a)第3行的可视化结果可以证明：虽然网络关注到较多的行人区域，但经过遮挡模块处理后，仍然可以学习到位于行人身上的互补区域。图 6(b)第2列是基线方法对形变行人的可视化，与此相比，采用形变模块处理后模型可以关注到更多行人区域(图 6(b)第3列)。具体地，对于行人上半身及腿部的形变，基线方法更容易关注形变较小的上半身区域，而对腿部形变较大的部位关注能力较差；即使同样可以关注腿部区域，但关注区域较小(图 6(b)第2行)。对两种模块的可视化分析，再一次证明了本文方法的有效性。

遮挡和行人姿态变化极大地影响着行人再识别模型的识别准确性。为此，本文提出了一种融合形变与遮挡机制的行人再识别算法，通过可变形卷积生成形变的样本，通过遮挡空间高响应区域生成遮挡样本，从而提高模型在行人姿态改变以及遮挡场景下的识别能力。在3个数据集上的实验结果表明，本文提出的结合形变与遮挡机制的行人再识别算法增加了样本多样性，使模型可以在更加复杂的情况下训练，从而提高了模型应对行人形变与遮挡的鲁棒性。特别地，在规模较小的CUHK03数据集上，证明了本文提出的形变与遮挡机制生成的样本可以在一定程度上缓解数据集因数据量少产生的过拟合问题。此外，由于本文采用端到端的形式产生形变与遮挡的困难样本训练网络，与以往工作将离线生成的形变或遮挡图像重新送进网络中相比，本文方法更加简洁有效。目前，遮挡仍然是行人再识别研究的关键问题，本文设计的遮挡模块仍然需要针对特定数据集进行遮挡程度的参数设定，而参数的选择对模型训练稳定性影响较大，因此未来将在学习遮挡方向上进一步开展研究。