【2020论文阅读】11月

1、Hierarchical Gaussian Descriptors with Application to Person Re-Identification

用于行人重识别的分层高斯描述符

【论文阅读】

摘要：描述人像的颜色和文本信息是reid中重要的一环。虽然协方差描述符（Covariance descriptor）已经成功地应用于reid，但是协方差描述符丢失了区域的局部结构和像素特征的均值信息（mean information），而这两者往往是reid的主要判别信息。本文提出了一种基于像素特征分层高斯分布的元描述符，将均值和协方差信息同时包含在patch级和区域级描述中。更具体地说，该区域被建模为一组多个高斯分布，每个高斯分布代表一个局部patch的外观。高斯分布集的特征由另一个高斯分布来描述。由于高斯分布的空间不是线性空间，因此在两个步骤中我们都将高斯分布的参数嵌入到对称正定矩阵流形的点中。我们首次表明，规范化SPD矩阵的规模增强了该流形上的层次特征表示。此外，我们开发了特征归一化方法，能够缓解存在于SPD矩阵描述符上的偏差趋势。在5个公共数据集上的实验结果表明了所提出的描述符的有效性。

正文：

一个协方差描述符将感兴趣区域描述为像素特征的协方差矩阵协变量矩阵描述了像素特征内元素之间的统计依赖关系，并提供了一种自然的方式来将像素特征的不同模式(如颜色和纹理)融合到一个单一的元描述符中。

本文提出一个元描述符，基于像素特征的分层高斯分布。先对一个区域集中提取，将此区域视为a set of local patches.该区域会被建模为多个高斯分布的集合，每个分布代表一个local patch。把代表每个local patch的高斯分布称为a patch Gaussian.patch Gaussians的特征会再次由另一个高斯分布表示，将这个高斯分布称为 region Gaussian。

[Riemannian metrics](https://blog.csdn.net/whwan11/article/details/80487153)

我们使用分层分布的动机是为了通过关注人物图像的structural appearance来发展可区分的元描述符