基于深度学习的行人重识别系统

做跨摄像头的行人重识别：用度量学习 + BNNeck 双分支把行人映射到特征空间，靠距离排序完成检索。硬样本挖掘 Triplet + 多损失对比 + 多骨干网络评测——带注释代码、技术文档、面试问答全配齐。

• 任务类型计算机视觉
• 专业方向计算机 · 人工智能 · 电气/自动化

数据与任务

如果你想找一个有挑战、又在安防/智能监控里很实用的视觉项目，这个「行人重识别（ReID）」很合适。

它落在度量学习这个有深度的方向上，配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

行人重识别要解决的是：同一个人在不同摄像头下拍到的画面，能不能自动匹配上。难点在于：同一个人因为视角、光照、遮挡变化很大，而不同人有时却长得像——这不是普通分类（测试时的人在训练集里根本没出现过），而是度量学习 + 开放集检索问题。

这个项目用度量学习把行人图片映射到一个特征空间，让同一个人的特征聚在一起、不同人的分开；测试时对一张查询图，按特征距离排序返回最相似的候选。关键设计是 BNNeck 双分支（一支做度量学习、一支做 ID 分类），并系统对比了多种骨干网络和损失函数。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

度量学习和 BNNeck 双分支为什么这么设计。 这是项目的灵魂。你要能讲清楚 ReID 为什么是度量学习而非分类，以及 BNNeck 为什么分两支——一支（BN 前特征）做 Triplet 的距离约束、一支（BN 后特征）做分类判别，两者对特征的要求不同。

硬样本挖掘的 Triplet Loss。 你能讲清楚 Triplet Loss 怎么"拉近正样本、推远负样本"，以及在线硬样本挖掘怎么自动挑最难的正负样本来加速学习；还有 PK 采样、Random Erasing 这些 ReID 特有的训练技巧。

多损失对比里的取舍。 项目对比了 Triplet、Center、ArcFace 等损失。你能借此讲清楚不同损失从距离、聚集、角度间隔等角度约束特征空间的差异。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 为什么 BNNeck 要分两个分支，不能只用一个特征？
• 测试时出现训练集里没有的陌生行人，系统怎么处理？
• Triplet 的在线硬样本挖掘是怎么选样本的？为什么能加速收敛？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从背景、度量学习、BNNeck 与损失函数一直讲到多模型评测，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、自动化、安防/智能监控方向都很合适。度量学习 + 检索是很有深度、面试也爱问的方向，把它真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。