人员重新识别（re-id）旨在在公共空间中通过不重叠的摄像机视图对人员进行匹配。 这是一个具有挑战性的问题，因为监视视频中捕获的人员通常穿着类似的服装。 因此，它们外观上的差异通常很小，只能在特定的位置和比例下才能检测到。 在本文中，我们提出了一种深层re-id网络（MuDeep），该网络由两种新型类型的层组成-多尺度深度学习层和基于领导者的注意力学习层。 具体而言，前者学习不同尺度下的深度判别式特征表示，而后者则利用来自多个尺度的信息来领导并确定每个尺度的最佳权重。 通过基于领导者的注意力学习

人员重新识别（re-id）旨在在公共空间中通过不重叠的摄像机视图对人员进行匹配。 这是一个具有挑战性的问题，因为监视视频中捕获的人员通常穿着类似的服装。 因此，它们外观上的差异通常很小，只能在特定的位置和比例下才能检测到。 在本文中，我们提出了一种深层re-id网络（MuDeep），该网络由两种新型类型的层组成-多尺度深度学习层和基于领导者的注意力学习层。 具体而言，前者学习不同尺度下的深度判别式特征表示，而后者则利用来自多个尺度的信息来领导并确定每个尺度的最佳权重。 通过基于领导者的注意力学习