影片人物重識別（Video-based Person Re-identification, Re-ID）是計算機視覺領域中的一個重要任務，其目標是從海量的影片片段庫中精確檢索出與查詢影片中相同身份的人物。與基於靜態影像的重識別不同，影片資料包含了豐富的時序資訊，這為解決該問題提供了更多線索，但同時也帶來了更大的挑戰，尤其是當不同身份的人物在外觀上十分相似時，模型需要具備極強的細粒度特徵提取能力。
近期，來自學術界的研究團隊提出了一種新穎的輸入感知可擴充套件專家模組（Input-aware Extendable Expert Module），旨在顯著增強模型對細粒度資訊的探索能力。該工作的核心創新在於，不再使用整個資料集的全部樣本來統一更新網路引數，而是專門訓練多個專家網路，每個專家僅在包含外觀高度相似樣本的特定子集上進行學習和最佳化。這種設計促使專家們專注於挖掘相似樣本之間的細微差異，從而提升區分能力。
為了實現這一目標，該模組整合了兩種精心設計的機制：輸入感知專家選擇機制（Input-aware Expert Selection Mechanism）和時空選擇機制（Spatial-Temporal Selection Mechanism）。第一種機制能夠根據輸入的查詢樣本動態啟用一組最相關的專家，使其專門處理與該樣本相似度較高的子集，從而迫使專家關注樣本間的細微差別。第二種機制則進一步增強了專家對空間和時間維度上細粒度差異的敏感性，並允許根據不同輸入樣本的特徵動態調整對這些差異的利用方式。此外，該模組還具備良好的可擴充套件性，研究人員設計了一種靈活的擴充套件方案，使得在必要時可以方便地新增新的專家網路，而無需重新訓練整個模型。
在實驗部分，該方法在兩個大規模公開資料集上進行了評估，並取得了領先於現有方法的優異效能。這一研究成果已被國際會議V3SC 2026 @ ICPR接收。該工作為影片人物重識別領域提供了一種新的思路，展示了透過專家分工和動態選擇來提升細粒度特徵學習的巨大潛力。