Person Re-identification (ReID) aims to retrieve the pedestrian with the same identity across different views. Existing studies mainly focus on improving accuracy, while ignoring their efficiency. Recently, several hash based methods have been proposed. Despite their improvement in efficiency, there still exists an unacceptable gap in accuracy between these methods and real-valued ones. Besides, few attempts have been made to simultaneously explicitly reduce redundancy and improve discrimination of hash codes, especially for short ones. Integrating Mutual learning may be a possible solution to reach this goal. However, it fails to utilize the complementary effect of teacher and student models. Additionally, it will degrade the performance of teacher models by treating two models equally. To address these issues, we propose a salience-guided iterative asymmetric mutual hashing (SIAMH) to achieve high-quality hash code generation and fast feature extraction. Specifically, a salience-guided self-distillation branch (SSB) is proposed to enable SIAMH to generate hash codes based on salience regions, thus explicitly reducing the redundancy between codes. Moreover, a novel iterative asymmetric mutual training strategy (IAMT) is proposed to alleviate drawbacks of common mutual learning, which can continuously refine the discriminative regions for SSB and extract regularized dark knowledge for two models as well. Extensive experiment results on five widely used datasets demonstrate the superiority of the proposed method in efficiency and accuracy when compared with existing state-of-the-art hashing and real-valued approaches. The code is released at https://github.com/Vill-Lab/SIAMH .

中文翻译：

---

用于快速人员重新识别的显着性引导的迭代非对称互哈希

行人重新识别（ReID）旨在在不同视图中检索具有相同身份的行人。现有的研究主要侧重于提高准确性，而忽略了它们的效率。最近，已经提出了几种基于散列的方法。尽管它们的效率有所提高，但这些方法与实值方法之间的准确性仍然存在无法接受的差距。此外，很少有人尝试同时显式地减少冗余和提高哈希码的辨别力，尤其是对于短码。整合相互学习可能是实现这一目标的可能解决方案。然而，它没有利用教师和学生模型的互补效应。此外，它会通过平等对待两个模型来降低教师模型的性能。为了解决这些问题，我们提出了一种显着性引导的迭代非对称互哈希（SIAMH）来实现高质量的哈希码生成和快速特征提取。具体而言，提出了显着性引导的自蒸馏分支（SSB），使 SIAMH 能够基于显着性区域生成哈希码，从而显着减少代码之间的冗余。此外，提出了一种新颖的迭代非对称互训练策略（IAMT）来缓解共同互学习的缺点，该策略可以不断细化 SSB 的判别区域，并为两个模型提取正则化的暗知识。与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于 提出了一个显着性引导的自蒸馏分支（SSB），使 SIAMH 能够基于显着性区域生成哈希码，从而显着减少代码之间的冗余。此外，提出了一种新颖的迭代非对称互训练策略（IAMT）来缓解共同互学习的缺点，该策略可以不断细化 SSB 的判别区域，并为两个模型提取正则化的暗知识。与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于 提出了一个显着性引导的自蒸馏分支（SSB），使 SIAMH 能够基于显着性区域生成哈希码，从而显着减少代码之间的冗余。此外，提出了一种新颖的迭代非对称互训练策略（IAMT）来缓解共同互学习的缺点，该策略可以不断细化 SSB 的判别区域，并为两个模型提取正则化的暗知识。与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于 提出了一种新颖的迭代非对称互训练策略（IAMT）来减轻共同互学习的缺点，该策略可以不断细化 SSB 的判别区域，并为两个模型提取正则化的暗知识。与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于 提出了一种新颖的迭代非对称互训练策略（IAMT）来减轻共同互学习的缺点，该策略可以不断细化 SSB 的判别区域，并为两个模型提取正则化的暗知识。与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于 与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于 与现有最先进的散列和实值方法相比，在五个广泛使用的数据集上的大量实验结果证明了所提出的方法在效率和准确性方面的优越性。代码发布于https://github.com/Vill-Lab/SIAMH .