近日，我院计算机科学与技术学院朱金龙副教授团队在人工智能领域国际权威期刊《Expert Systems With Applications》（中科院一区TOP期刊，5年影响因子7.6）上发表了题为"Dynamic sampling strategy for enhanced person re-Identification across multiple cameras"的研究论文。朱金龙副教授为论文的第一作者，李清亮教授为论文的通信作者，研究工作得到了吉林省科技厅项目的支持。

在多相机环境下的行人重识别任务中，抽样策略对解决身份重识别挑战至关重要。不同的抽样策略在相同框架与训练集下往往表现出显著性能差异。我们认为，样本特征的差异（即易样本易导致过拟合、难样本易导致欠拟合的特性）是造成性能瓶颈的关键因素，而平衡两类样本的统计稳定性是缓解该问题的核心。

现有的采样方法固化样本权重使其缺少灵活性，而考虑灵活性的动态更新权重方法却缺少类平衡的考虑。受此启发，我们提出一种简洁而有效的动态抽样策略，通过实时评估不同摄像机视角下目标的可见性与身份置信度，动态调整样本的抽样权重。该方法能使模型优先关注拟合不足的样本，从而有效平衡样本特征差异带来的负面影响。

动态抽样会生成样本权重指数与身份权重指数，并基于身份置信度在每个训练轮次（epoch）对其进行更新。所设计的修剪率与重复率机制进一步保障了样本的均衡性，降低了特征差异的干扰。这种对表示学习过程的精细调控，能够逐步增强特征表示的统计稳定性。

在 Market-1501 和 MSMT17 数据集上的大量实验验证了所提动态抽样策略的有效性。结果显示，与现有先进方法相比，该策略在 mAP 和 Rank-1 精度上均实现了显著提升，展现出更强的鲁棒性与泛化能力。该研究提出的采样策略，可有效改善复杂多变的多相机场景中身份识别任务。另外该采样策略也可广泛应用于其他任何结构的模型，在不改变网络结构的前提下有效提升识别精度。

论文链接：https://doi.org/10.1016/j.eswa.2025.128071