本网讯（通讯员  闵锋 刘煜晖）近日，模式识别与人工智能领域的国际期刊《模式识别》（《PATTERN RECOGNITION》）在线发表我校智能机器人湖北省重点实验室科研团队论文：“Generalizable person re-identification method using bi-stream interactive learning with feature reconstruction”。武汉工程大学为第一署名单位，计算机科学与工程学院（人工智能学院）闵锋副教授为第一作者，2022级研究生刘煜晖为通讯作者。《PATTERN RECOGNITION》被公认为模式识别领域最重要的学术期刊之一，该期刊最新影响因子为7.5，是中科院一区TOP期刊。

最近的研究表明度量学习和表征学习是提升行人重识别模型泛化能力的两种主要方法，然而它们之间的关系尚未得到充分探索。团队提出了一种采用双流交互式学习的广义行人重识别方法。其中一个学习流是用于度量学习的关联图采样器（CGS），另一个学习流是用于表征学习的全局稀疏注意力网络（GSANet），并在这两个学习流之间建立了内在联系。CGS在训练开始时使用局部敏感哈希和特征度量为所有类别构建最近邻图，确保每一批训练样本包含随机选择的基础类别及其最近邻类别，提供强相似性和具有挑战性的学习示例。由于 CGS 采样性能受特征图质量的影响，团队提出了一个全局特征稀疏重构模块来增强主干网络提取的特征图的全局自相关性。此外，在包括 CUHK03、Market-1501 和 MSMT17 在内的大规模数据集上对团队的方法进行了广泛的评估，团队的方法优于目前最先进的方法。该论文的算法框架和实验对比结果如下：

图1 (a) PK 采样器和 (b) 建议的 CGS 采样器展示了两种不同的采样方法。

图2 特征图相似性匹配原理

图3 敏感哈希算法特征重构示意图

图4 CGS 采样器的示例组，在Market-1501（左图）和MSMT17（右图）上进行训练期间生成的最近邻类。在每个组中，左上角的图像是基类，其他图像是最近的最近邻类。

团队研究工作得到了国家自然科学基金的支持，这一研究为在实际应用中更高效准确地解决行人重识别问题取得了核心技术突破，相关技术具有良好的应用前景。

近年来，计算机科学与工程学院（人工智能学院）高度重视研究生创新能力培养，引导研究生积极参加科研项目提升创新能力，全面提高研究生培养质量。（审稿 张炜 李亚楠）