行人重识别是对同一个行人在不同相机下的图片进行检索和匹配的技术。给定一张待查询的行人图片,行人重识别需要找出图片中的行人在其他相机下所出现的图片。近年来,由于行人重识别在智能视频监控、公安刑侦和安全防范系统等领域的应用需求,学术界和工业界对于行人重识别开展了大量的研究。通过充分利用图片的标注信息,全监督的行人重识别目前已经取得很高的准确率,并且得到了实际应用。然而,全监督的行人重识别需要对庞大的行人图片数据集进行一一比对,来得出图片所代表的行人关系。当数据集规模变大时,所产生的巨大的标注量需要耗费大量的人力物力资源。为了节省标注成本,便于行人重识别模型的快速应用,研究在有限标注场景下的行人重识别具有重要的实际意义。作为一项检索和匹配任务,行人重识别的特点在于训练集和测试集的行人类别是不同的,通过在训练集上对模型进行训练,主要目的是为了学习到对于不同行人具有区分和辨识能力的特征,使得模型在未知行人的图片上也具有良好的泛化性,从而对于不同的未知行人可以很好地加以区分。在无监督和一些全监督任务中,对比学习展示出了优异的表现。通过让一个样本分别或者同时和它的正、负样本进行比较,并且尽可能地增大样本和其正样本的特征相似度,减小样本和其负样本的特征相似度,对比学习可以在无监督或者有监督的情况下,让模型充分学习到同类别样本之间的相似性,以及不同类别之间的差异性。在不同的样本对或样本集合之间进行相似度的对比学习,使得模型可以学习到输入数据的高层语义信息和关系,从而产生对于不同的类别样本具有较大差异性、对同类样本具有较高相似性的特征。对比学习的特性对于行人重识别任务来说是十分契合的,即学习具有高辨识度的特征,在未知数据上可以有良好的泛化表现,因此,本论文从对比学习的角度出发,针对相机内有监督场景和无监督场景分别提出了有效的方法,用于解决在有限标注场景下的行人重识别任务。具体来说,本文的主要工作和贡献体现在以下四个方面:·本文初步探究了对比学习在行人重识别中的应用特性。在不同的行人重识别场景下,对于参数化分类损失、三元组损失和对比学习中的非参数化分类损失进行了分析和比较,从而得出不同损失函数在不同场景下的应用特点与差异,并通过大量实验加以验证。·本文对于相机内有监督场景,提出一种基于图导出对比学习的相机内有监督行人重识别方法。该方法基于相机内有监督场景下的关联约束,提出一种行人图分割算法用于预测可靠的行人关联。基于图分割导出的行人关联结果,该方法提出一个渐进式的对比损失函数,在一个统一的框架中进行相机内和跨相机对比学习,有效提高了重识别模型的行人区分能力。·本文提出一种相机感知原型特征的无监督行人重识别方法。该方法通过考虑由相机风格差异导致的聚类簇内部差异,提出学习相机感知的原型特征,用于描述每个聚类簇内部的局部结构特性。基于相机感知的原型特征,该方法进一步提出了互补的相机内和跨相机对比损失函数,以对比学习的方式来优化样本与原型特征之间的关系,以此增强模型对于不同行人的识别能力。在多个基准公开数据集上的实验结果表明,该方法相比当前无监督重识别方法取得了更高的性能,大幅提升了无监督行人重识别的准确率。·本文提出一种原型关联增强的无监督重识别方法。该方法以相机感知原型特征的无监督行人重识别方法作为基本模型,针对模型中存在的过度聚类现象进行了方法改进和优化。为了弥补无监督聚类的不足,增强模型对于同个行人在不同相机下图片的关联,该方法提出基于相似度的逐相机困难正样本挖掘策略,用于预测有效的跨相机关联,并以此对模型进行监督。在多个重识别数据集上的实验验证了所提出方法的有效性。