短期与长期人脸重识别的解耦表示
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了多种针对人员再识别（ReID）问题的深度学习方法，包括人体部分对齐、生成对抗网络（GAN）和自监督对比学习等。这些方法有效应对姿态变化和服装干扰等挑战，并在多个数据集上表现优异。
❓
Q&A
什么是人员再识别（ReID）问题？
人员再识别（ReID）问题是指在不同场景中识别同一人物的任务，通常面临姿态变化和服装干扰等挑战。
如何通过深度学习方法解决身体部位不对齐问题？
可以利用人体部分对齐表示的方法，通过深度神经网络学习三元组损失函数来解决身体部位不对齐问题。
PTGAN方法在人员再识别中有什么作用？
PTGAN方法用于缩小数据集之间的领域差距，从而提高人员再识别的性能表现。
Color Agnostic Shape Extraction Network (CASE-Net) 是什么？
CASE-Net是一种基于身体形状特征表征的模型，旨在生成与服装颜色和纹理无关的身体形状特征，以应对服装改变的干扰。
自监督对比学习在人员再识别中如何应用？
自监督对比学习结合生成对抗网络和对比学习模块，通过视角生成器和视角不变损失来提升无监督人员再识别的效果。
哪些方法可以提高ReID的特征辨别能力？
可以通过人物再识别关系网络和基于对抗学习的二进制编码框架等方法来提高ReID的特征辨别能力。
🏷️
