通过量子启发的脉冲神经嵌入与压缩深层特征投影实现轻量级边缘优化的人员重识别

《Engineering Applications of Artificial Intelligence》：Lightweight edge optimized re-identification of person through Quantum Inspired Spiking Neural Embeddings and compressed deep feature projection

　　

• 轻量级量子启发的脉冲边缘 Re-ID 在 MSMT17-ELR 上达到 97.18%• 脉冲相位与深度特征的双域融合提升低分辨率、遮挡条件下的 Re-ID 性能• 紧凑的 128 维流形嵌入降低内存和计算开销而不损失精度• 量化、热感知流水线实现微边缘设备上的实时 Re-ID

引言

人员再识别（Re-ID）已成为智能视觉监控、生物特征认证、公共安全系统和分布式物联网驱动监控基础设施中最关键的组成部分之一（Oikonomou, 2025）。其主要目标是通过学习在视角变化、光照变化、遮挡、服装变化和姿态变化中保持恒定的判别特征，利用非重叠的摄像头网络对齐同一人的身份。随着自主监控服务和边缘计算平台在现代城市中的不断普及，以及智能物联网设备的安装，对高效且准确的 Re-ID 模型的需求日益增长（Ouyang et al., 2025）。经典的深度学习 Re-ID 模型通常以卷积主干或基于 Transformer 的模型形式存在，可以在昂贵的图形处理单元（GPU）上出色地运行，但不适用于边缘部署。这种精度需求与硬件约束之间的差距构成了当代低功耗、资源受限场景下 Re-ID 应用的一个特殊难题（Cui et al., 2025）。

当前的 Re-ID 系统通常使用 ResNet-50、Inception-v3 或 EfficientNet 等深度卷积神经网络，它们在大规模数据库上展现了高性能。这些模型能够确定多尺度纹理图案、身体形状和颜色梯度，在人员之间提供高判别性（Wang and Yang, 2025）。然而，它们的推理过于复杂、内存占用过大、浮点运算过多，无法适应低端设备如树莓派（Raspberry Pi）、Jetson Nano、Coral TPU 以及嵌入式精简指令集计算机（RISC）-V AI 加速器的低功耗能力。MobileNet、ShuffleNet 和 GhostNet 已被提出作为轻量级模型，但它们在压缩为更小尺寸或面对大领域差异（如低分辨率图像或大光照差异）时也表现出性能变化（Ye et al., 2025）。基于 Transformer 的模型，如 Vision Transformer（ViT）-Tiny、Dual Intent and Entity Transformer（DeiT）和 Swin-Tiny，刚刚在 Re-ID 中被研究并取得了令人鼓舞的结果，因为它们具有高捕获长程依赖的能力。然而，二次注意力的巨大复杂性和内存需求也使它们难以在边缘平台的实时系统中部署（Hollstein et al., 2025）。

除架构约束外，许多现有的 Re-ID 系统在真实世界中表现不佳。不同摄像头角度间的光照差异往往产生颜色差异，导致室内外外观的不一致。姿态变化导致身体位置不精确，使得连续帧中的人物差异显著。背包、包袋或密集人群也可能导致额外遮挡，使得特征提取更加困难，因为重要身体部位可能部分被遮挡（Abdel-Ghaffar and Salama, 2024）。此外，低分辨率设置（在物联网和监控摄像头中很常见）导致细粒度纹理特征丢失，在外观相似的人员之间产生歧义。大多数围绕深度学习构建的策略涉及高分辨率输入以确保正确性能，这不仅在实际内存消耗方面不切实际，而且在嵌入式系统上也推理缓慢。其次，特征提取流水线往往缺乏时间建模，即步态、运动模式、微动作等动态特征在身份识别中至关重要时未被利用（Li et al., 2024）。跨域迁移也是传统方法的另一个显著弱点，因为它们无法有效解决跨视图域迁移问题。监控摄像头在传感器、颜色校准、曝光、镜头畸变和杂乱背景方面可能存在很大差异。在某一组条件下训练的模型部署到截然不同的条件时，性能往往会急剧下降（Sadahide et al., 2024）。许多当前的域适应方法使用对抗训练或循环一致翻译方法，由于其计算要求高而无法应用于边缘设备（Ali and Chen, 2026b, Ali and Chen, 2025b）。

为了解决这些局限性，本文提出了一种轻量级边缘优化的 Re-ID 框架，集成了量子启发的脉冲神经编码与压缩深度特征投影，以在严格的资源预算下提供高精度。基本概念是利用量子启发的相位调制和脉冲神经动力学将视觉信息编码为丰富的时间模式，即使在分辨率低或遮挡率高时也能支持判别线索。脉冲嵌入是时间相位敏感特征，与基于帧的特征不同，它们利用类似干涉的模式来增加身份可分性。为了优化视觉主干网络，采用分数剪枝算法和基于克罗内克的压缩算法，在不影响模型表征能力的前提下显著减少模型大小。新的超紧凑切向嵌入（UCTE）将脉冲和视觉特征都嵌入到一个非常有利于低功耗设备的 128 维流形中。跨视图域协调解决了光照和摄像头风格误差，增强了摄像头网络的泛化能力。

智能监控和健康跟踪系统的日益普及催生了对可靠且轻量身份识别模型的迫切需求。持续监控是医疗环境中患者安全、跌倒检测和安全管理控制的重要组成部分，涵盖从医院、养老设施、康复单元到心理健康设施。然而，传统的人员识别系统需要大量计算能力，无法与医疗物联网配合使用。基于边缘的、轻量且高精度的 Re-ID 系统可以极大地帮助追踪患者、最小化误识别风险、辅助应急响应，并提高各种医疗流程的效率，使医疗环境更加安全和高效。

本文对未来具有重要意义，因为它将引领下一代智能环境的创建，其中身份识别将在低功耗机器上快速、安全且自主地完成。随着世界向普及医疗保健、智慧城市、智能交通系统和智能物联网网络基础设施迈进，对小型但高精度的身份识别系统的需求将持续增长。所提出模型的效率使其能够在无需云资源的情况下大规模实施于公共空间、医院、智能家居和工业区域。其面向未来的架构有助于推进神经形态计算、联邦边缘学习和自主监控，作为维持可持续和实时智能生态系统的基础。

各种实际限制持续挑战着 Re-ID，其中包括光照条件的剧烈变化、跨视图差异、低分辨率图像、配饰遮挡和不均匀的摄像头特性。当前的深度学习模型计算密集，无法在实际部署于医疗行业、公共安全和物联网监控中资源受限的边缘设备上。此外，传统的基于 CNN 的模型在捕捉复杂环境中的时间变化和细微身份信号方面存在困难。缺乏轻量、强健且灵活的模型导致许多误识别、反应缓慢和在不同环境中泛化不准确。这意味着需要一种占用空间小、高效、精确且具有领域鲁棒性的 Re-ID 框架来解决所有这些问题。

最近在人员 Re-ID 领域的创新强调 Transformer 架构、脉冲神经网络和自监督学习，显著提高了在大规模基准上的精度。量子启发的模型和神经形态处理器进一步暗示了向超高效身份识别的范式转变。然而，这些进展面临重大挑战，包括高内存需求、较高的计算成本和难以在严重域迁移下运行的问题。由于二次复杂性，Transformer 在边缘硬件上表现不佳，而纯脉冲神经网络（SNN）往往缺乏稳定的训练动态。此外，跨摄像头不一致性和真实世界噪声仍然会降低性能。在创新与边缘实用性之间弥合差距仍然是一个未解决的研究挑战。表 1 展示了所提框架的创新性和贡献分析。

基于边缘的 Re-ID 系统目前正部署在各种应用场景中，包括医疗监控、智能监控、交通和工业物联网，由此带来关于隐私保护、对抗鲁棒性和安全分布式智能的新挑战。即使嵌入相对较小，它也可能容易受到嵌入反转攻击、对抗扰动和未授权信息提取的影响。近年来，通过分布式验证、自适应保护机制和本地化智能处理，轻量级表示的安全性潜力已被证明。受这些进展的启发，所提出的框架直接在边缘设备上运行，旨在限制敏感生物特征信息的暴露并减少对集中式云基础设施的依赖。这为未来在分布式智能环境中构建隐私保护和对抗鲁棒的 Re-ID 系统铺平了道路。

• 引入了一种新的 QISNE 机制，将相位调制的脉冲动力学与忆阻器启发的编码相结合，在面临分辨率变化、遮挡和光照条件变化时编码细粒度身份线索——优于传统的基于帧的表示。
• 结合 128 维的几何保持流形投影，UCTE 将高维 Re-ID 特征降维到低功耗边缘设备友好的空间中，同时避免降低判别性。
• 设计了面向边缘的 Re-ID 数据集 MSMT17-ELR，包含降采样、噪声增强变体、身份平衡采样和脉冲信号伪生成。
• 构建了双域融合网络，以压缩格式平滑地结合临时脉冲表示与缩减的视觉特征，创建对摄像头风格变化和环境失真具有鲁棒性的复合表示。
• 开发了跨视图域协调单元，利用反射匹配、运动路径扭曲和退相干校准来减少不同摄像头网络之间的域变化。
• 设计了一个端到端的轻量级边缘优化流水线，采用分数剪枝、量化推理、热感知运行时管理和二进制内存分区，使其能够部署在 Jetson Nano、Coral TPU 或 RISC-V AI 核心等微边缘硬件上。

在第 2 节中讨论了 Re-ID 的相关研究，涵盖深度卷积模型、脉冲神经框架、轻量级架构和量子启发学习，以及它们在边缘部署中的局限性。第 3 节解释了所提出的方法，包括量子启发的脉冲编码器、混合融合架构、压缩流形投影和跨视图协调机制。第 4 节提供了结果和讨论，包括性能评估、比较分析、消融研究和边缘推理效率。最后，结论和未来展望总结了研究的贡献，突出了 97.18% 准确率的成功，并讨论了在神经形态、联邦和真实世界场景中部署物联网的可能改进建议。

相关工作

Re-ID 旨在在不同场景、不同视角和不同时间识别同一人。作为实例级识别任务，它依赖于多种判别信号而非单一显著特征，因此需要来自不同视角的身份特定信息。其中之一是交叉注意力引导的、局部特征增强的多分支网络，包含全局分支、局部分支和注意力通道分支（Wang and Yang, 2025）。这些分支具有……

边缘优化的量子-脉冲（QS）Re-ID 方法

所提出的框架使用基于压缩深度特征投影和脉冲神经网络编码的轻量级、边缘优化的 Re-ID 流水线，采用脉冲神经编码和量子启发的方法。MSMT17-ELR 数据集的输入图像首先通过光照归一化、时间聚合和轮廓增强进行处理，并在相位调制脉冲编码器的帮助下转换为时间脉冲序列。小型卷积主干网络收集视觉特征……

结果与讨论

所提出的轻量级量子-脉冲 Re-ID 模块使用 Python 和 PyTorch 实现深度学习组件，并通过自定义的 CUDA 内核提供基于脉冲的操作。MSMT17-ELR 数据经过光照归一化、分辨率缩小和伪脉冲信号生成后进行预处理和训练。设计了一个量子启发的脉冲编码器，使用具有可变放电……的时间相位调制层。

结论与未来工作

所提出的量子启发的轻量级 Re-ID 模型证明了在不违反边缘设备严格计算能力约束的情况下实现高识别率是可能的。该系统结合脉冲神经编码、相位调制的时序动力学、压缩流形投影和跨视图协调，达到了 97.18% 的准确率，高于传统及现代轻量级 Re-ID……

作者贡献声明

Harish K.：原稿撰写、调查、资金获取、形式分析、数据整理、概念化。J.……

Indra：撰写—审阅与编辑、可视化、验证、监督、软件、资源、项目管理、方法学。出版同意：所有作者均已同意出版。利益冲突声明：作者声明不存在利益冲突。Harish K.|J. Indra