基于深度学习的Person Re-ID（综述）

一. 问题的提出

       Person Re-ID 全称是 Person Re-Identification，又称为 行人重检测 or 行人再识别，直观上可以通过两种思路进行比对，一种是 通过 静态图像（still-image）进行特征比对，另一种是通过视频的时序特征（temporal）进行 Video Re-Id。

       不管是采用 图像特征比对的方法 还是 结合时序特征比对的方法，这里面有以下几个问题很大程度上影响作用效果：

1. 目标遮挡（Occlusion）导致部分特征丢失；

2. 不同的 View，Illumination 导致同一目标的特征差异；

3. 不同目标衣服颜色近似、特征近似导致区分度下降；

       基于上述三个问题，人们提出了很多解决方案，主要Focus在以下几个方面：

a）提取更适合表征人体的特征，比如 color&LBP，Gabor，HOG3D，CNN等；

b）选择合适的距离度量函数，L2 norm，马氏距离等；

c）通过训练的方法（比如SGD、Adam）进行参数训练，或者空间映射，使得类内距离（intra dist）更小，类间距离（inter dist）更大。

二. 相关工作

       根据上面提出的问题，我们知道问题聚焦在两个关键点，一是提取良好的特征，二是 选择合适的距离度量函数。

       关于特征选择的方法比较多，上面也提到了，可以 refer 典型方法的目录索引。

2.1 特征提取

      颜色空间：RGB、HSV、LAB、XYZ、YCbCr、ELF、ELF16

      纹理空间：LBP、Gabor

      专用特征：LDFV、ColorInv、SDALP、LOMO

2.2 距离度量

     关于距离度量有 LFDA、MFA、LMNN、LADF 等（其他 L1 norm，L2-norm 都是早期的方法，可以不看）：

           马氏距离：Mahalanobis distance learning for person reidentification

2.3 CNN方法

     Pair Wise方法（成对比较）： FRNN、Ahmed et al、Siamense

           逐对比较方法受对比次数影响，在训练和计算时 Candidate较大时计算量会很大。

     Feature 提取：FFN、Multi-Channel Parts-Based CNN

       通过CNN提取特征，并结合距离函数的改进，是引入深度学习的一个主流方法（后续我们展开讨论），实际上，CNN特征提取方法通过一系列的权值，实现了关键特征抽取，比如受 Pose、View、Illuminate影响较小的特征，比如通过 将轮廓外的权值置0，就起到了去除背景噪声的效果，当然我们不知道所提取的特征代表了什么，但这并不影响我们对于CNN方法的使用。

2.4 CNN特征简介

      CNN For Re-Id的文献比较多：

FPNN

      论文全称：