本文介绍了行人重识别（ReID）的基本概念及其与人脸识别的区别，重点阐述了PCB-RPP（Part-based Convolutional Baseline与Refined part pooling）方法，以及SGGNN（Similarity-Guided Graph Neural Network）在多图像输入的metric learning中的应用。PCB-RPP通过分块和注意力机制提高特征对齐，而SGGNN利用图神经网络融合probe和gallery的差异性特征，增强节点间信息流动。
SIGAI特约作者
Fisher Yu
CV在读博士
研究方向：情感计算
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。
什么是行人重识别(ReID)
如下图，给定一个行人图或行人视频作为查询query，在大规模底库中找出与其最相近的同一ID的行人图或行人视频。
为什么需要ReID呢？
因为在安防场景下，跟踪一个目标，只靠人脸识别是不够的，在脸部信息丢失时（罪犯有时把脸特意蒙住一大部分，或者离太远了拍不清脸），行人信息就能辅助跟踪识别。
ReID与人脸识别有什么联系和区别？
都是多媒体内容检索，从方法论来说是通用的；但是ReID相比行人更有挑战，跨摄像头场景下复杂姿态，严重遮挡，多变的光照条件等等。
做ReID的话，一般从两方面入手：
A、特征工程，设计网络来学习不同场景下都general的visual feature，用probe-gallery的特征相关性来作为ranking的依据，一般直接Softmax分类。
B、度量学习，设计损失函数，用多张图像的label来约束它们特征之间的关系，使学到的特征尽量类内间隔短，类间间隔大。
PCB-RPP[1]，2017
早期比较经典的文章，方法简洁明了。
main contribution：
1. 提出了均匀分块的 Part-based Convolutional Baseline(PCB)，探讨了较优的块间组合方式
2. 提出了基于 parts 的 Refined part pooling(RPP)，用注意力机制来对齐 parts
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
