人工智能深度学习实现基于对抗的公共摄像头低分辨率人脸识别面部重新识别。这里我们简要介绍一下人员重新识别（ReID）和我们重新识别人脸的动机。典型的端到端ReID系统通常包括以下步骤：人员检测，预处理，特征提取和匹配。它被广泛用于监视目的，建模为给定一对图像，并且必须找出图像是否来自同一个人。通常，这些图片是从监控网络中的不同摄像机捕获的。 ReID问题的传统方法主要集中在两个主要组成部分：特征提取和用于匹配的相似性计算。我们可以将大多数现有的方法分为两类：使用深度学习的方法和不使用的方法。对于非深度学习方法，研究人员已经提出并使用了不同的手工特征，如对称驱动的局部特征累积（SDALF）[2]，颜色直方图]，颜色名称[60]，局部二元模式[18]，补丁汇总特征[65]，度量学习方法和各种这些的组合。几种深度学习方法使用“Siamese”深度卷积神经网络进行特征提取和度量学习，同时提供新颖的端到端解决方案。艾哈迈德等人[1]基于Yi等人的想法提出了一种新的深度学习框架。 [61]，其中两个新颖的层被用来计算交叉输入邻域差异通过整合基于中层功能的本地关系。他们还表明，从头部和颈部获得的特征可能是重新识别人的重要线索。 Wu等人[56]基于艾哈迈德的想法，，通过使用更深层次的架构和新的优化方法来提高性能。其他深层网络结构如[50]和[46]的设计也有效解决了旧ReID数据集上的ReID问题。 Qui et al。 [39]试图通过使用域适应方法来协调不同的面部姿势来执行面部ReID;然而，他们的实验是在Multi-PIE [9]数据集上进行的，其中人脸图像控制姿势和照明。
虽然越来越多的监控摄像机已经部署在公共场所，但视频帧的质量通常很低，而且在帧中捕捉的人员处于不受控制的姿势和照明条件下。因此，普通人重新识别可能是一项具有挑战性的任务。正如文献[4]所示，身体和步态可能在低分辨率视频帧中识别目标时发挥作用，但是，模糊目标导致人类识别性能急剧下降。此外，[23]中的面罩模型实验也表明，面部可能是身份识别不可或缺的一部分。因此，应将非常低分辨率的人脸识别问题作为重新识别问题的组成部分来处理。
