Learning Discriminative Features with Multiple Granularityfor Person Re-Identification
这篇论文是CVPR2018 ACM Multimedia 2018 的文章,作者是上交和云从科技的大牛。是目前为止,在Market-1501数据集上效果最好的方法。单张图片检索(single query)的rank-1达到了95.7%,mAP达到了86.9%;在re-rank之后,更是高达96.6%和94.2%。本文的主要思想就是通过区域分割,来获得不同粒度的特征,比如全局和局部特征以及更细粒度的局部特征,通过一个网络的不同分支得到这些特征,每个分支都对不同的分割块进行特征提取。
Introduction
如上图,随着人体分割的块数越大,就越容易聚焦到人体局部的特征上,而这些特征恰是更具区分性的。而深度学习网络能在这些不同的分割的图像块上关注区分性的局部,提取特征。
一般而言,有3种不同的部件或者说区域分割的方法。
- locating partial regions with strong structural information such as empirical knowledge about human bodies or strong learning-based pose information:即按照人体直立的先验,将人水平分