DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification 论文记录

DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification

Abstract：本文提出了filter pairing neural network（FPNN）来处理re-ID数据中的人物不对齐，光照和几何变化等影响。
1 Introduction
本文的主要贡献：（1）FPNN，不同之处在于：使用一个统一的深度神经网络来同时处理misalignment，photometric，geometric transform，occlusions and background clutter；不再使用手工标记特征；（2）使用了dropout，data augmentation，data balancing，bootstrap（3）建立了新的数据集
2 Related Work
3 Model

前6层用于处理layers to handle misalignment,cross-view photometric and geometric transforms, occlusions and background clutter。
3.1 Feature extraction
第1层是卷积+最大池化层。网络接收两张不同视角下的行人图片作为输入。卷积用来进行光度变化处理。经过卷积，图片变为一系列局部特征。之后加max-pooling
3.2 Patch matching
先把图像分成多个水平条带，每个条带分为W个部分。因为图像已经经过了卷积层（包含k个filter）。我们首先只考虑一个filter生成的feature map。举例，假设考虑两幅输入图的feature map的第一个水平条带，且均被分割成W个部分，则两幅图之间的W个部分相互组合，会生成一个W*W的矩阵。如果矩阵的某个区域的值比较大（例如坐标为（i，j）），说明图片一的第一个水平条带的第i块与图片2的第一个水平条带的第j块是相匹配的。因为他们是对同一feature的响应，相乘之后的值自然较大。如下图

3.3 Modeling mixture of photometric transforms
Maxout-grouping layer：将原有信道分为K组，只将每组中最大响应的部分保留。

3.4 Modeling part displacement
卷积+max-pooling
3.5 Modeling pose and viewpoint transform
FC
3.6 Identity recognition
Softmax layer cross-entropy loss