【Person Re-ID】Deep-Person: Learning Discriminative Deep Features for Person Re-Identification

本文主要是介绍【Person Re-ID】Deep-Person: Learning Discriminative Deep Features for Person Re-Identification，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

paper下载地址：https://arxiv.org/abs/1711.10658

Introduction

基于CNN方法的person re-id方法可以分为三类：

基于全局描述的方法
基于局部描述的方法
结合全局描述和局部描述的方法

局部描述能够提取行人的一些细节信息，在大多数试验中都能比单独用全局描述的方法要好。通常的做法是将新人图像分割成几个rigid的块，然后每个块分别进行分类。这样的做法带来的弊端就是忽略了块与块之间的上下文信息，本文通过LSTM将图像看成是一个输入序列来记录行人的结构信息，然后用joint learning的方法将这种局部描述与全局描述结合起来。

Approach

主网络采用resnet-50，网络结构如下图所示，包括两方面的设计：

全局描述和局部描述的结合：全局描述和基于LSTM的局部描述能够增强网络的判别性。
基于softmax的分类loss和基于triplet的排序loss的结合：triplet loss帮助网络学习相似性度量（L2距离）。

网络主要包括两个部分：

主网络学习low-level特征
三个分支网络学习具有高度可分性的描述子，分别为
- 基于局部描述的识别分支：将resnet-50最后一个卷积层的输出特征横向pooling做成一个sequence输入到双向LSTM中。
- 基于全局描述的识别分支：将resnet-50最后一个卷积层的输出特征global pooling进行分类。
- 基于triplet的排序分支：输入三元组，将resnet-50最后一个卷积层的输出特征global pooling求取triplet loss。