ReID论文笔记1-Deeply-Learned Part-Aligned Representations for Person Re-Identification

论文地址：

https://arxiv.org/abs/1707.07256

源码地址：

https://github.com/zlmzju/part_reid

总述

• part-aligned human representation 解决图片对应位置人体不对准问题
• 对姿势改变更鲁棒，不需要人体部分的标记，不需要训练人体检测器或者分割器
• 使用相似度信息，学习人体匹配，未使用LSTM
• 模型将人体分解为几个易于辨识的部分，计算各部分表征，并将一对图像的相应区域间的相似性汇总成总体得分，亮点是借鉴了attention，在这里未使用LSTM

结构与方法

• Input : 160*80 的图片 ( I )
• 通过全连接卷积层提取特征，输出为 10*5*512 ( T )
• 有k个part net，这里k通过交叉验证来获取， part net是一层1*1卷积层+sigmoid函数
• K个分支，不同的分支对人体不同位置响应不同
• 图片特征通过人体部分检测器后，估计得到map Mk，即各部分权重
• 将权重和图片特征结合，得到每一部分的特征 ( Tk )
• 通过全局池化和线性降维后，将k个部分连接在一起，并使用L2归一化，最终得到human representation : h(I)
• 将特征通过triplet loss进行学习，距离度量为欧氏距离

按照自己理解大致画了一下

结论

• 可以不使用检测器来检测人体，仅使用相似性，对姿势比较鲁棒
• 得到的人体特征主要是身体部分，没有人脸部分
• 较简单，适用于工业界