Deep Spatial Feature Reconstruction for Partial Person Re-identification: Freestyle Approach 阅读笔记

这是CVPR 2018上的论文，论文针对局部行人再识别提出一种更高效率高准确率的方法，中文直译深度空域特征重建，Deep Spatial Feature Reconstruction。

论文链接：https://arxiv.org/abs/1801.00881

 

局部行人再识别是一个很有现实意义的挑战。所谓局部是指，在无约束环境中，行人容易被遮挡，有姿势和视角变化，所以有时只有局部的行人图像可用于识别。下面这些都是被遮挡的行人图像的例子，其中遮挡物有物体或者其他行人。

 

本文针对partial reID提出的一种简称叫DSR的方法。这种方法针对的图像特点是一张图是局部的行人图像，也就是被遮挡了的行人，另一张是一个完整的行人图像（这是论文一切方法和实验的大前提）。方法利用全卷积网络分别提取出特征图，然后用深度空域特征重建分析其相似度

 

本论文主要贡献有如下三方面。

1.提出了一种新的不需要行人图像对齐且对输入图像大小没有尺寸约束的局部reID方法。

2.论文将稀疏重建学习和深度学习融合在一个统一的框架中，并通过最小化同一id的行人图像的重构误差、最大化不同id的重建误差来训练端到端深度模型。

3.通过丰富的实验验证了方法优秀的准确度和效率。

 

在此之前针对局部Re-id的解决方案主要有如下三种。（Related work）

1.第一种是将它们将图像resize成固定尺寸的图像，然利用CNN提取用出固定长度特征向量，这种方法最明显的缺陷是会导致行人图像的形变（Deformation），严重影响reID效果。

2.第二种方案代表的方法是滑窗匹配方法（SWM），在gal图像上设定一个和prob图像size一致的窗，然后在gal上找到与prob最相似的图像区域。但是这种方法也有不足