基于跨摄像机语义二进制变换的快速身份重新识别方法

3873基于跨摄像机语义二进制变换的Jiaxin Chen<$炜，Yunhong Wang<$炜，Jie Qin<$炜，Li Liu<$q and Ling Shaoq中国北京航空航天大学大数据与脑计算北京先进创新中心北京航空航天大学虚拟现实技术与系统国家重点实验室§马龙科技有限公司，英国东英吉利大学计算科学学院。chenjiaxinX@gmail.com，yhwang@buaa.edu.cn，qinjiebuaa@gmail.comli. malongtech.cn，ling. ieee.org摘要人们已经提出了许多用于身份重新识别的方法，但大多数方法都忽略了匹配效率. 最近，已经开发了几种基于散列的方法，以使重新识别对于大规模图库集更具可扩展性。尽管他们的效率，这些作品忽略了跨相机的变化，这严重恶化的最终匹配精度。为了解决上述问题，我们提出了一种新的基于散列的快速身份重新识别方法，即跨相机语义二元变换（CSBT）。CSBT旨在将原始高维特征向量转换为紧凑的身份保持二进制码。为此，CSBT首先采用子空间投影来通过最大化人内相似性和人间差异来减轻跨相机变化随后，提出了一种二进制编码方案，通过无缝地结合语义成对关系和局部亲和信息。最后，提出了一种基于离散交替优化的子空间投影学习与二进制编码的联合学习框架在四个基准上的实验结果清楚地表明了CSBT的优越性。1. 介绍在过去的几年里，由于其广泛的应用，如长期跟踪[44]，搜索感兴趣的人（例如，犯罪分子或恐怖分子）和活动分析[48]。该任务旨在跨多个非重叠相机匹配特定的person，由于杂乱的背景、严重的遮挡、照明变化和姿态变化，这是非常具有挑战性的已经提出了各种方法来解决* 王云红为通讯作者。图1.拟议框架的说明。不同的颜色（形状）表示不同的人身份（相机）。上述问题[10，20，24，46，51，53，59，62]，通过表示学习或建立鲁棒的签名匹配。然而，大多数的研究都集中在提高匹配精度上，而忽略了重新识别效率的考虑因此，传统方法需要高的计算成本和存储器负载，使得它们不能提供及时的响应，特别是在处理大规模图库集时。同时，近来，具有有限计算能力的可穿戴和移动设备已经因此，非常期望开发一种能够以低存储器负载和快速从众多图库图像中快速检索目标人的重新识别系统。最近，散列已经成为大规模数据处理的一种有前途的方法[9，38]，并且具有广泛的应用，例如动作识别[27，36]和图像检索[26，27，28]。受此启发，已经开发了几种基于监督散列的方法来进行有效的人员重新识别[4，54，60]。这些方法试图构建有区别的二进制向量，并随后构建身份保持哈希函数。通过学习的哈希函数，原始的高维特征向量被转换成短的二进制码，它可以被有效地存储更重要的是，可以通过计算汉明距离来实现非常快速的匹配3874i=1i=1i=1i=1i=1钱。然而，这些方法集中在学习区分二进制代码。固有的跨相机变化，即，原始数据中的大的人内干扰和小的人间差异没有被考虑，这可能严重恶化匹配精度。为了解决现有工作中的上述缺点，我们提出了一种新的基于哈希的框架，即跨相机语义二进制变换（CSBT），用于快速的人重新识别。如图2所示。1，CSBT旨在将原始高维特征向量转换为紧凑的身份保持二进制码。为此，我们首先采用区分投影来减轻跨相机变化，通过最小化人内距离和最大化投影子空间中的人间差异。其次，提出了一种二进制编码方案来学习一组二进制向量和一个哈希函数。具体地，二进制向量通过同时识别语义成对关系（一对人具有“相同”或“不同”身份）和嵌入子空间中的局部亲和性信息来构造。受[39]的启发，开发了一种离散学习过程，以进一步保证生成的二进制代码的质量最后将投影后的特征向量与对应的二进制码进行拟合，得到一个哈希函数为了避免相关码位，在哈希映射中进一步引入正交约束，可以有效地解决这个问题通过采用联合子空间投影学习和二进制编码，我们可以得到一个二进制变换，是跨相机变化更强大本文的主要贡献有三个方面：(1) 我们提出了一种新的二进制转换框架（CSBT）的快速人重新识别。该框架联合学习子空间投影和二进制编码方案，其可以无缝地减轻原始数据中的跨相机变化并生成高质量的二进制代码。因此，我们可以构建一个更强大的二进制转换，以提高匹配精度与guaranteed重新识别效率。(2) 提出了一种新的二进制编码方案，该方案将语义成对关系和局部亲和信息同时嵌入到子空间中。进一步介绍了一种离散交替优化算法，通过该算法可以得到具有代表性的二进制编码，以保持摄像机之间的身份。(3) 我们广泛地进行实验，以评估所提出的方法的性能。实验结果证明了该方法的有效性，特别是在大规模图库集上。鲁棒的外观[10，20，59]和时空表示，[5，25，31，47]，发展歧视性的相似性，larity度量[6，16，20，35，62]，或设计更可靠的匹配策略[5，32]。这些工作大多集中于提高匹配率，而忽略了它们在测试过程中对大量图库图像的可扩展性。作为结果，随着图库图像数量的增加，现有的重新识别方法的时间和存储器成本将急剧增加并且变得不可负担。最近，已经提出了几种基于散列的方法来解决快速的人重新识别。在[54]中，通过将正则化的基于三元组的公式和位可扩展的哈希生成合并到深度卷积神经网络 中 ， 开 发 了 深 度 正 则 化 相 似 性 比 较 哈 希 方 法（DRSCH）。DRSCH与深度语义排名散列（DSRH）[56]一起保留多标签图像之间的多级语义相似性，然后在人员重新识别的背景下进行评估。在[60]中，通过构造两组哈希函数来学习交叉视图二进制身份（CBI），通过最小化人内汉明距离和最大化交叉协方差。此外，一些现有的跨视图散列方法也适用于人员重新识别，包括：跨模态相似性敏感散列（CMSSH）[2]、跨视图散列（CVH）[17]、可预测双视图散列（PDH）[37]、集体矩阵分解散列（CMFH）[8]和基于典型相关分析的散列（CCA）[60]。这些方法最初被设计为通过利用不同表示源之间的相关性来解决多模态数据的二进制编码通过将每个相机视图作为一个模态，它们可以直接应用于人员重新识别。尽管现有的基于散列的方法取得了很好的效率，但它们都忽略了处理原始数据中固有的跨视图变化。同时，DRSCH需要大量的标记训练数据，这是不容易获得的实践。并且CBI只能在一对相机视图之间训练模型，这对于具有多个相机视图的场景不灵活。3. 拟议框架假设的Nd维训练样本{xi}N连同对应的标签{yi}N是可用的，其中yi指示xi的个人身份（ID）。如果yi = yj，我们将（xi，xj）视为正样本对，否则视为负样本对。 我们的目标是将高维特征向量{xi}N转换为一组二进制代码{bi}N具有L位，基于该哈希函数2. 相关工作H：RDi=1→ {−1，1}L可以通过回归来训练。在文献中，大多数现有的关于人的著作都是关于人的，传统作品学习{bi}N通过利用识别可分为三类：建筑物原始数据{xi}N的内在局部亲和性，或语义3875i=1i=1i=1P标签的相似性{yi}N. 在我们的工作中，我们试图通过这种方式，我们期望学习一个有鉴别力的亲-把这两种信息结合起来。 但在个人重新识别，这可以减轻跨相机变化。至于损失函数，我们的目标是学习二进制原始特征空间由于跨相机变化而太嘈杂代码{bi}N在嵌入的特征向量{PTxi}N中，国家。 为了解决这个问题，我们引入了一个区分-inative子空间，其中类内距离被迫小于类间距离。通过这种方式，我们通过利用语义和本地数据相似性信息。具体地，我们利用以下损失函数 Σ可以获得两个优点：1）二进制变换从嵌入的子空间学习的信息可以对跨相机变化更鲁棒;2）嵌入数据的局部亲和性将包含更多有用的信息来训练区分二进制代码。基于上述动机，我们制定了n_H（B，P）=wi，j yi，j ai，j dh（bi，bj），（5）其中d h（bi，bj）=|{k|b i，k b j，k，1≤k≤L}|表示汉明距离[30]，并且a i，j对嵌入样本PTxi和PTxj之间的语义和本地数据亲和性进行编码。在本文中，我们定义，CSBT的总体框架如下：⎧⎨ai，j=1，如果yiPTxi −PTxj= yj;（六）minB、P、Fβ-ML（P）+β-OH（B，P）（一）1−e−22σ2，如果y是yj.S.T. bi=sgn（F（PTxi）），i=1，···，N，其中X= [xT;···; xT]∈RN×D，Y= [yT;···; yT]∈当最小化时，从等式(5)（6）我们有以下观察结果：1）Hamming距离为-1N1NRN，B=[bT;···; bT] ∈{−1，1}N×L，P∈RD×d是样本xi和xj之间的差值将减少/增加，如果1N子空间投影，RumML是子空间投影学习的损失函数，RumH是二进制码的损失函数，它们组成一个正/负对; 2）对于两个负样本对（xi，xj）和（xi，xk），如果0对于任何x∈R，我们可以得出，图2.示例图像：VIPeR（左）和CUHK01（右）。同一列/行中的图像属于同一个人/相机。公司简介Σ(P)为wi，j日志.Σ1 +eyi，j（D2（xi，xj）−µ）>0。相机 该数据集是最大的公开可用的每-儿子重新识别数据集的日期。与[61]类似，我们使用12，936张图像进行训练。 在测试期间，我们使用3，368此外，我们可以很容易地推导出以下结果Σ<$H（B，P）≥−d h（bi，bj）≥ −N 2L.然后可以直接看出，（7）中的目标函数L（B，P，W）具有下界。另一方面，当迭代地进行B-步骤、P-步骤和W-步骤时，L（B，P，W）一致地减小。因此，我们可以得出结论，算法1收敛到局部最小值(see补充材料中的实证研究）。5. 实验在本节中，我们在四个数据集上评估所提出的方法：VIPeR [14]、CUHK01 [18]、CUHK03 [19]和市场-1501。图中显示了几个样品。二、VIPeR是最广泛使用的数据集之一，其包含来自两个非重叠相机的632个行人。由于图像质量较低，加上照明、姿势和视角的变化较大，因此为了进行评估，在我们的实验中使用单次设置，如[62]所示。我们按照标准设置，随机选择p=316人进行测试，其余316人进行训练。这重复10次，并报告平均性能。CUHK01包括由两个不相交的摄像机拍摄的971个行人的3，884个图像，每个人在每个摄像机下有与VIPeR不同，CUHK01的分辨率更高。在这个数据集上，485/486和871/100训练/测试设置（多次拍摄）都被广泛使用。因此，我们报告了这两种不同分区的10次试验结果。CUHK03包含了13，164张来自6个监控摄像头的1，360名行人的图像，每个人由两个不相交的摄像头观察，每个视图中我们遵循[1，45，54]，并使用20在[19]中提供的训练/测试分割，在单次拍摄设置下手动裁剪图像。Market1501包含32，688个边界框，包含1501个标识，其中大部分由可变形部件模型（Deformable PartsModel，简称DEPARTS）裁剪[11]。每个人都被2006年的在单一查询评估设置下，用于查询的图像和用于图库的19，732个图像。5.1. 实验装置图像表示。我们采用局部最大Oc- currence（LOMO）特征[20]进行人员表示。具体来说，所有图像均归一化为128×64像素。然后生成一组滑动窗口，其中两种颜色并提取纹理直方图。计算由直方图箱编码的模式的最大出现次数，并将其连接到26，960维特征向量中。参数设置。在我们的评估中，子空间d的维数和（7）中的平衡参数β、γ、ν通过交叉验证来选择。最大迭代次数Tmax被设置为16。为了提高计算效率，我们采用PCA将LOMO特征的维数降低到3000。由于位长L显著影响基于散列的方法的性能，因此我们在步长为64的范围[64，1024]内微调L，并选择实现最高秩1精度的位长。评估指标。与大多数出版物类似，我们使用累积匹配特征（CMC）曲线来评估各种人员重新识别方法的性能由于平均精度（mAP）是散列方法的一个广泛使用的评估指标，因此我们还报告了将CSBT与最先进的散列方法进行比较时的mAP5.2. Hashing方法比较在本节中，我们评估了VIPeR、CUHK01和CUHK03上的CSBT。我们选择以下最先进的哈希方法进行比较 ： 单 视 图 哈 希 ， 包 括 MLH [34] ， KSH [30] ，FastHash [22]，SDH [39]，COSDISH [15]和交叉视图散列，包括SCM [52]，SePH[23]，CBI [60]。请注意，[54]报告了使用两个基于深度学习的散列的结果，即，[54]第56话，你是谁？直接采用文献[54]的结果，对这两种方法进行了比较。由于位长度显著影响散列方法的性能，我们演示了秩1匹配3880CSBTSePHSCMSDHFastHashKshCOSDISHMLHCSBTSePHSCMSDHFastHashKshCOSDISHMLH平均精密度（%）表1.使用不同散列方法的具有不同比特长度L的秩1匹配率（%）方法参考64位Viper128位256位512位64位中大01128位（P=486）256位512位64位CUHK03128位256位512位交叉视图CBISePHSCM2016年IJCAI2016 [60]2015年CVPR展会[23][52]第五十二话13.96.28.918.010.46.523.115.93.926.320.12.3-6.730.7-12.525.1-22.117.1-32.710.3-1.32.0-1.62.0-1.92.2-2.22.1COSDISH[15]第十五届中国国际汽车工业展览会9.816.516.812.413.124.434.941.04.49.319.129.0SDHCVPR 2015 [39]9.617.623.629.511.922.334.538.212.919.325.031.4单-DRSCHTIP2015 [54]--------22.018.7--视图DSRHCVPR 2015 [56]--------14.48.1--FastHash2014年CVPR展会[22]1.52.45.710.31.74.18.715.42.64.98.612.1KshCVPR 2012 [30]10.613.615.916.510.613.615.910.219.118.015.315.0MLHICML 2011 [34]4.67.68.87.74.78.56.16.55.25.55.05.5CSBT我们20.324.729.533.136.242.345.548.033.136.240.346.2（'*'：每个位长度采用[60]中的最佳结果。'-'：源代码或实验结果不可用。）60 70 705060 6050 504040 403030 302020 201010 10064 128 192 256 320 384 448512比特长度(a) Viper064 128 192 256 320 384 448512比特长度(b) 中大01064 128 192 256 320 384 448 512比特长度(c) CUHK03图3.使用不同位长的最新哈希方法的mAP比较100908070605040302010064128 192256320 384 448512100908070605040302064 128 192 256 320 384 44851210090807060504064 128 192 256 320 384 448 512比特长度(a) Viper比特长度(b) 中大01比特长度(c) CUHK03图4.使用不同位长的最新哈希方法的nAUC比较速率和mAP跨不同的比特表1和图。3.第三章。特别地，在VIPeR数据集上，[60]通过使用各种特征（包括LOMO特征），提供了具有各种位长度的CBI的秩1匹配精度为了进行简洁的描述，我们只展示了每个位长度的CBI的最佳结果。在CUHK01数据集上，[60]中仅报告了CBI的最佳位长结果。由于CBI的源代码不是公开的，并且深度哈希方法（例如，DRSCH和DSRH）在小数据集上表现不佳，我们只是通过使用LOMO功能 重 新 实 现 MLH ， KSH ， FastHash ， SDH ，COSDISH，SePH和SCM来提供CUHK01上的比较结果如表1和表2所示，即使使用非常短的比特长度（例如 ， 64 bits ） 时 ， CSBT 的 性 能 明 显 优 于 CBI 。 在CUHK03数据集上，[54]报告了1匹配DRSCH和DSRH的速率，具有64和128比特。我们直接复制结果并在表1中显示考虑到除等级1外，在实践中通常需要排名最高的结果，我们还报告了[60]中的标准化CMC曲线下面积（nAUC），以进行更全面的研究。在我们的工作中，我们遵循[60]并通过使用图1中的不同位长总结了前85个排名的nAUC4.第一章从表1，图。根据图3和图4，我们有以下观察结果：1）CSBT在不同的位长度上始终优于com-browser散列方法。2)随着比特长度减小，比较方法的性能（例如，SePH、SDH、COSDISH）急剧下降。相比之下，CSBT实现了更鲁棒的性能，因为即使使用短码（例如，小于128位）。这是由于CSBT执行二进制CSBTSePHSCMSDHFastHashKshCOSDISHMLHCSBTSePHSCMSDHFastHashKshCOSDISHMLHCSBTSePHSCMSDHFastHashKshCOSDISHMLHnAUC（%）CSBTSePHSCMSDHFastHashKshCOSDISHMLH平均精密度（%）nAUC（%）平均精密度（%）nAUC（%）3881表2.匹配率（%），平均查询时间（秒）和存储图库数据的内存使用量（千字节），通过与各种数据集上的最新方法进行比较方法参考r=1R=5R=20Viper时间（s）记忆（KB）r=1R=5CUHK03R=20（标记）时间（s）记忆（KB）散列加拿大工业联合会公司简介2016年IJCAI2016[60]TIP2015 [54]CVPR 2015 [56]31.3--57.3--81.6--1.4e-06--2.72e+01---22.014.4-四十八点四43.4-81.079.2------DCSL[55]第55话44.673.492.1-5.68e+0380.297.799.7-5.18e+02门控CNNECCV 2016 [43]37.8---5.68e+03-----EDMECCV 2016 [40]40.9---5.68e+0361.3---5.18e+02SIR+CIRCVPR 2016 [45]35.8---5.68e+0352.2---5.18e+02JSTLCVPR 2016 [50]38.6---5.68e+0375.3---5.18e+02SCSP2016年CVPR展会[3]53.5--3.78e-022.96e+0261.3----NSLCVPR 2016 [53]42.371.592.1-6.66e+0458.985.696.3-2.11e+04非KCCA+DCIAICCV 2015 [12]63.978.5--1.20e+04-----散列改善深度CVPR 2015 [1]34.863.684.5-5.68e+0354.886.298.5-5.18e+02语义CVPR 2015 [41]31.168.694.9-------MLFCVPR 2014 [59]29.152.379.9-------DeepReID2014年CVPR[19]----5.68e+0320.750.180.0-5.18e+02SalMatchICCV 2013 [57]30.252.379.2-------ESDCCVPR 2013 [58]26.350.876.51.14+014.98e+058.827.055.13.45e+001.58e+05KISSMECVPR 2012 [16]19.647.977.29.2e-038.39e+0114.241.170.1--SDALFCVPR 2010 [10]20.038.765.73.6e+001.17e+035.623.552.01.22e+003.72e+02CSBT我们36.666.288.31.68e-063.45e+0155.584.398.04.83e-071.01e+01方法参考中大01（p=486）r=1 r=5 r=20时间记忆（KB）香港中文大学01（p=100）r=1 r=5 r=20时间记忆（KB）散列CBI2016年IJCAI2016 [60]30.652.969.1--34.063.790.5--DCSL[55]第55话76.594.298.7-1.70e+0489.697.899.2-3.48e+03EDMECCV 2015 [40]-----86.6---3.48e+03SIR+CIRCVPR 2016 [45]----1.70e+0472.5---3.48e+03JSTLCVPR 2016 [50]66.6---1.70e+04-----NSLZhang 2016 [53]65.085.094.4-------非散列改善深度语义MLFCVPR 2015 [1]CVPR 2015 [41]CVPR 2014 [59]47.532.734.371.651.255.187.576.375.0---1.70e+04--65.0--89.0--97.5-----3.48e+03--DeepReID2014年CVPR[19]----1.70e+0427.961.088.2-3.48e+03SalMatchICCV 2013 [57]28.546.067.3-------ESDCCVPR 2013 [58]19.732.450.21.09e+022.52e+0622.846.170.52.61e+015.19e+05KISSMECVPR 2012 [16]-----29.460.286.6--SDALFCVPR 2010 [10]9.922.739.72.51e+014.02e+039.945.767.86.23e+009.01e+02CSBT我们51.276.391.89.57e-069.85e+0174.393.899.32.26e-074.69e+00（“*”：采用具有最佳比特长度的实验结果。'-'：源代码或实现细节不可用。）在具有较少的跨相机变化的子空间中的编码方案，使得学习的二进制变换更鲁棒。3）对于较长的比特长度（例如，256和512比特），SDH可以获得比交叉视图散列方法更好的结果。这可能是因为SDH采用了类似于CSBT的B步的训练策略，即，离散地学习二元码而没有松弛，而交叉视图散列方法仅产生近似结果。5.3. 与现有人员身份识别方法的在 本 节 中 ， 我 们 将 CSBT 与VIPeR ， CUHK 01 ，CUHK 03和Market-1501数据集上的最先进的人员重新识别方法进行了比较。组合方法包括用于快速人员重新识别的现有的基于散列的方法：[56][57][58][59] 与[60]相同，我们还比较了几种代表性的基于非哈希的方法，这些方法在测试期间采用不同的匹配策略：1）度量学习-KISSME [16]和NSL [53]; 2）基于局部补丁的匹配-SDC [58]，SalMatch [57]和MLF [59]; 3）表3.通过与Market-1501上最先进的方法进行比较，排名1匹配率（%）、mAP、平均查询时间（秒）和存储图库数据的内存使用量（MB）方法参考r=1地图时间（s）记忆（KB）门控CNNECCV 2016 [43]65.939.6-4.32e+04SSDLECCV 2016 [42]39.419.6--SCSP2016年CVPR展会[3]51.9--1.21e+01NSLCVPR 2016 [53]55.4--4.13e+06BOW+KISSMEICCV 2015 [61]39.617.72.08e+001.54e+04ESDC[58]第五十八话33.513.57.47e+021.45e+06KISSME（LOMO）[16]第十六话40.519.0--SDALFCVPR 2010 [10]20.58.22.53e+029.31e+04CSBT我们42.920.34.7e-041.52e+03深度学习-DeepReID [19]，Improved Deep [1]，DCSL[55]，SIR+CIR [45]，EDM [40]，SSDL [42]和门控CNN [43]; 4）基于语义属性的匹配- 语义[41]; 5）SDALF [10]。表2总结了VIPeR、CUHK01和CUHK03数据集的比较结果，5显示了前50个等级的相应CMC曲线。表3显示了Market-1501上的秩1匹配率以及mAP在[60]中，通3882过使用不同的特征（包括LOMO特征）和比特长度，CBI的结果是388331.3% CBI44.6% DCSL42.3% NSL34.8%深度改善29.1%多边基金30.2% SalMatch26.3% eSDC19.6% KISSME20.0% SDALF36.6% CSBT30.6% CBI76.5% DCSL65.0% NSL47.5%深度改善34.3%多边基金28.5% SalMatch19.7% eSDC9.9% SDALF51.2% CSBT34.0% CBI89.6% DCSL65.0%深度改善27.9% DeepReID22.8% eSDC29.4% KISSME9.9% SDALF74.3% CSBT匹配率（\%）匹配率（\%）匹配率（\%）10010010010080 80 80 8060 60 60 6040 40 40 4020 20 20 2000 10 20 30 4050秩（一）00 10 20 30 4050秩（b）第（1）款00 10 20 30 4050秩（c）第（1）款00 10 20 30 40 50秩(d)图5.不同数据集上的CMC曲线：（a）VIPeR;（b）CUHK 01（486名测试人员）;（c）CUHK 01（100名测试人员）;（d）CUHK03。在VIPeR和CUHK01上提供我们简单地采用每种方法的最佳性能和最佳比特长度。应该注意的是，最近提出的一些基于非散列的作品通过采用深度学习[7，55]，模型集成[20，21，53，59]或排名优化[12]报告了更高的结果。通常，由于二进制量化损失，使用基于散列的方法的匹配精度相对低于基于非散列的方法[60]。然而，本文主要集中在快速的人重新识别。与基于非散列的方法相比，散列方法的效率要高得多，这将在后面的实验中显示因此，这是准确性和效率之间的权衡正如我们所指出的，效率在文献中很少受到关注，但对于大规模集合是重要的。因此，我们的目标是在不牺牲太多准确性的情况下提高效率。从表2-3和图。5，可以观察到，CSBT显著优于现有的基于散列的人员重新识别方法。例如，CSBT在VIPeR和CUHK01上分别将CBI的秩1匹配率提高了5.3%、20.6%和40.3%。香港中文大学03也有类似的观察结果与现有的基于非散列的方法相比如表2-然而，CSBT的匹配精度与DCSL等非散列模型的匹配精度之间仍存在差距尽管如此，CSBT在匹配效率方面有其优势，我们将很快展示CSBT的效率。如前所述，所提出的基于散列的方法比非散列的人重新识别方法显著更有效。为了清楚起见，我们比较了重新识别期间一个查询的平均时间成本，即，计算一个查询和所有图库数据之间的相似性的时间（VIPeR、CUHK 01、CUHK 03和Market-1501分别为316、972/200、100和19732个样本）。此外，我们还提供了存储图库数据的内存负载。所有的实验都是在具有Intel Core CPU（3.4GHz）和16GB RAM的PC上进行的由于源代码的SIR+CIR 、 SSDL 、 Improved Deep 、 Semantic 和DeepReID均不可用，我们无法直接评估它们的时间和存储效率。然而，如[1，19，45]中所述因此，我们可以比较他们的记忆。此外，KISSME在中大01上的实施详 情 不 详 。 因 此 ， 我 们 只 在 VIPeR 、 CUHK 03 和Market-1501上评估其时间和内存成本。如表2和表3所示，基于散列的方法，即，CSBT和CBI 的 疗 效 显 著 高 于 对 照 组 。 特 别 地 ， 在 最 大 的Market-1501数据集上，与基于非散列的