AlignedReID论文学习

AlignedReID论文学习

论文：《AlignedReID: Surpassing Human-Level Performance in Person Re-Identification》
下载链接：https://arxiv.org/abs/1711.08184v1

这篇论文将局部特征对齐引入到行人重识别的任务中，结合局部特征和全局特征计算损失函数，得到了非常好的结果（据说超越人类识别水平！！！）

需要提前掌握的知识点：

• 度量学习（Metric Learning）
• 特征对齐（Feature Alignments）
• 交互学习（Mutual Learning）
• 重排（Re-Ranking）

AlignedReID 框架

直接上图：

首先 N 张图进入到卷积神经网络（ResNet50），得到 2048$\times$ 7$\times$ 7 的特征图，此时开始分化：特征图经过全局池化得到 2048 $\times$ 1 的全局特征（图中下面一路）；特征图经过水平池化+ 1$\times$ 1 的卷积层后得到 128$\times$ 7 的局部特征（图中上面一路），这里 1$\times$ 1 的卷积层是为了改变输出特征的通道数。
距离计算：
全局特征：L2距离
局部特征：对两个特征图在水平方向上进行划分，然后通过从顶部到底部的搜索方法来进行特征匹配，如下图所示：

即第一张图像的第 $i$ 个垂直部分与第二张图像的第 $j$ 个垂直部分之间的距离 $d_{i,j}$ 计算为：
d i , j = e ∥ f i − g j ∥ 2 − 1 e ∥ f i − g j ∥ 2 + 1 i , j ∈ 1 , 2 , 3 …