HOB-net: high-order block network via deep metric learning for person re-identification

通过深度卷积神经网络（CNN）和度量学习方法学习有效的特征表示，以区分行人，是最近行人重识别（re-ID）任务成功的关键。然而，常见CNN网络提供的特征不足以区分相似的个体，因为这些常见特征仅描述了分散的局部模式，而忽略了它们之间的关联和组合。实际上，常见特征的高阶关联对于身份识别具有重要意义。为了解决这一问题，本文设计了一种灵活的高阶块（HOB）模块和深度度量学习方案，以生成用于行人重识别的高阶深度特征表示。大量实验证明了我们提出的HOB模块在行人重识别问题上的优越性。在三个大规模数据集（包括Market-1501、DukeMTMC-ReID和CUHK03-NP）上，HOB-net方法在mAP上达到了与最先进技术竞争的成果