随着社会公共安全需求的不断增长，高清监控设备已经遍布城市的各个角落，人们的一言一行都以图像序列的形式保存下来，传统的基于人眼分辨的模式不论是在成本还是效率方面都显得力不从心。行人重识别(Re-ID)的任务就是解决跨摄像设备下的行人匹配问题，通常被认为是目标检索的子任务，主要是利用行人步态动作、身体特征等更为全面的信息来识别人物，基于深度学习的行人重识别算法已经是当下一个热门的研究方向。
　　对比学习是利用对比损失进行学习的一种方法，可以看作是查字典的过程，学习的效果往往与负样本对的规模成正比。为了增大单次学习负样本对的数量，构造了一个权重参数缓慢更新的对比学习孪生网络，可以维持负样本有足够的规模和稳定性，并引入噪声对比损失(NCE)进行约束训练。为提升主干网络的对高层语义特征的学习能力，将对比网络分支学习的“慢特征”进行过滤后作为负样本进行训练，从而让主干网络摆脱浅层语义特征，在更高层语义特征空间进行探索。为减少负样本过滤时噪声的引入，通过一个基于空间和通道的交叉注意力模块，可以学习到两个网络分支共有的特征信息，让“慢特征”的过滤更有针对性。在推理阶段，充分利用两个分支网络的差异性，将主干网络与注意力模块的输出作为最终的特征表示。
　　实验证明基于对比学习的行人重识别网络较基线网络性能实现了较大幅度的提升，在融合了交叉注意力模块之后，网络表征能力得到了进一步的增强。在只使用全局特征的前提下，基于注意力机制的对比学习行人重识别与当前主流算法相比有一定的竞争力。