【Person Re-ID】AlignedReID: Surpassing Human-Level Performance in Person Re-Identification

paper下载地址：https://arxiv.org/abs/1711.08184

Introduction

大多数基于CNN的方法都是学习全局特征，而忽略了人的结构性。因此带来的缺陷是：

• 行人检测器检测框的不准确性会影响特征的学习。
• 人体形态或者姿势的变化使得度量学习变得更加困难。
• 遮挡给最终的特征带来不相干的上下文信息。
• 当两个人有相似外表时，局部特征将变得很重要。

本文提出了一种新的方法，称为AlignedReID。此方法仍然学习全局特征，但是比自动局部对齐性能更好，也不需要姿势估计。在学习阶段，两个分支联合学习全局特征和局部特征。在局部分支，采用最短路径算法进行局部对齐。在inference阶段，只使用全局特征。由于加入了局部分支，使得上述难点更加得有针对性，因此学习到的全局特征能够很好的表征一个人的ID。

同时，作者使用共同学习方法在各个公开数据集上都达到了state-of-the-art。

Approach

AlignedReID

作者使用输入图像的全局特征的$L_{2}$距离进行相似性度量。

全局特征是在最后一层卷积层的后面加上一个global pooling得到的。比如Resnet-50最后一个卷积层的输出为$2048*7*7$，加上一个global pooling之后，变成2048维的特征。局部特征是先对最后一个卷积层的输出进行横向pooling，得到$2048*7*1$，然后加上一个$1*1$的卷积层进行降维，最后输出为