在计算机视觉中，人物再识别是当今互联世界中的一项重要追求。它涉及在不理想条件下跨不同摄像机视图识别个体的挑战性任务。然而，要实现准确的再识别模型，需要大量多样化且标记完整的数据。这就是数据增强的重要性所在。数据增强技术可以提高可用数据的质量和数量，使模型能够学习到强大的特征并适应各种场景。
在文献中，人物再识别采用了各种数据增强方法。包括随机擦除、随机水平翻转、遮挡样本生成、具有不同光照条件的虚拟图像创建，甚至涉及生成对抗网络（GANs）的方法。然而，像Cutmix和mixup这样可以生成高质量图像的方法，由于难以将它们适应人物再识别的三元组损失框架，很少被使用。
最近，中国的一个研究团队发表了一篇新论文，介绍了一种将Cutmix数据增强方法应用于人物再识别的解决方案。作者将常用的三元组损失扩展为处理十进制相似性标签，优化图像相似性。他们还提出了Strip-Cutmix，一种适用于人物再识别的增强技术，并提供了在该领域中有效应用该技术的策略。
具体而言，该论文调整了三元组损失和cutmix以解决这个挑战。Cutmix涉及将一幅图像的部分粘贴到另一幅图像上以创建一个新的图像。尽管常用，但由于cutmix生成的十进制相似性标签与其不兼容，它在人物再识别中很少被使用。
为了解决这个问题，作者修改了三元组损失以适应十进制相似性标签，并允许cutmix与三元组损失同时使用。修改后的三元组损失根据目标相似性动态调整优化方向。此外，三元组损失的决策条件被重写以与目标相似性标签对齐。
具体而言，作者扩展了三元组损失以处理十进制相似性标签，在再识别背景下使用cutmix。Cutmix通常将图像的一部分裁剪并粘贴到另一幅图像上，以创建一幅新的组合图像。然而，原始的三元组损失在人物再识别的度量学习中起着重要作用，但它在cutmix生成的十进制相似性标签上存在困难。
为了克服这个挑战，作者动态修改了三元组损失的优化方向以处理十进制标签，使其与cutmix和原始三元组损失兼容。他们还引入了Strip-Cutmix，将图像分成水平块，利用个体的相似特征通常在图像之间的对应位置上找到的事实。这种方法提高了生成图像的质量，并为三元组损失提供了更好的边界条件。Strip-Cutmix与标准cutmix不同之处在于强调基于位置的混合和图像块，使其可以获取组合图像之间的相似性标签。
在实践中，该解决方案涉及：
- 修改三元组损失以处理十进制标签。
- 引入Strip-Cutmix技术。
- 确定在训练过程中应用Strip-Cutmix的最佳方案。
进行了实验研究，以评估所提出方法的有效性。实验在Market-1501、DukeMTMC-ReID和MSMT17数据集上进行。使用平均平均精度（mAP）和累积匹配特性（CMC）进行评估。
研究人员选择了ResNet-50作为骨干网络。结果显示，该方法优于其他方法，在ResNet-50和RegNetY-1.6GF骨干网络上取得了最佳结果。此外，该技术表现出对过拟合的抵抗力，达到了最先进的性能。总体而言，该方法在数据集上提升了人物再识别任务的一致优势。
总之，本文介绍了一种将cutmix数据增强技术应用于人物再识别的方法。人物再识别中使用的现有三元组损失被扩展以适应十进制相似性标签，确保在处理这种新形式时的兼容性。此外，还引入了一种名为strip-cutmix的新概念，专门为人物再识别任务量身定制。通过研究strip-cutmix的最佳利用方案，作者确定了最有效的方法。该提出的方法超越了其他基于卷积神经网络的人物再识别模型，在纯卷积网络框架中实现了最佳性能。