【论文笔记】Revisting Temporal Modeling for Video-based Person ReID

Revisting Temporal Modeling for Video-based Person ReID

原文链接
代码链接

前言

这篇博客记录了对于视频行人重识别领域的初次尝试，在提取论文的观点后，还会针对代码部分进行分析。

摘要

首先介绍了一个具体的video-based 行人重识别系统应该包含的三个部分（后面也是根据这个完成的论文结构）：

• an image-level feature extractor (CNN) 图像特征提取
• a temporal modeling method 时序建模方法去融合时序特征
• loss function 损失函数

虽然已经提出了很多的时序建模方法，但是很难直接比较这些方法的好坏，因为特征的提取方式和损失函数都会对最终的效果产生挺大的影响。
这篇文章就是在保证其他条件相同时，测试了以下4种不同的temporal modeling methods:

• temporal pooling
• temporal attention
• RNN
• 3Dconvnets

还提出了一种新的attention generation network 用来适应时序卷积从不同帧中提取时序信息。

1.Introduction

2.Related Work

上面两部分就是总结了别人的工作，引了一些论文，就不介绍了，可以自行谷歌翻译看原文。

3.Method

这一部分介绍了整个系统结构以及三种temporal modeling methods的实现细节。
整个系统可以分为两个部分：

• a video encoder which extract visual representations from video clips 能够从视频切片中提取有效信息的解码器
• a loss function to optimize the video encoder and a method to match the query video with the gallery videos 一种能够匹配query video和gallery video的方法 ，以及损失函数

一段视频首先被切割成不重复的谦虚的切片$c_k$,每个切片都包含T帧。

clip encoding 把clips作为输入，然后对每个clip输出一个D维的特征向量$f_c$.

最后视频的特征就是所有clip特征的平均值。

3.1Video CIip Encoder

这里采用了两种类型的CNN网络来建立video clip encoder。

3D CNN直接将一个包含n帧的切片c作为输入，输出一个特征向量$f_c$。
2D CNN是先提取一个image-level features$f_c^t$,t=[1,n],然后通过时序建模方法把$f_c^t$融合成一个单一的向量$f_c$。

• 3D CNN
  • 使用3D Resnet 模型，采用3D卷积核，专门用于action classification。
  • 用person identity输出替代原本的final classification。
  • 使用预训练模型
  • 将T张连续帧（一个clip）作为输入，将最终分类层之前的层作为representation

2D CNN 采用标准的ResNet50作为图像特征提取器。对于给定的一个image sequence图像序列（一个video clip），输入每一张图片的特征，输出一个image level feature sequence$f_c^t$，t是第一帧到第n帧，这是一个T×D的矩阵，n是clip sequence length，D是特征的维度。
然后就是使用temporal aggregation method把特征融合成一个clip feature $f_c$，它是一个D维的向量。下面就是具体的介绍三种方法：

• Temporal pooling(TP)
  使用pooling层对特征矩阵进行pooling，常用的pooling方式有两种：

  • max pooling
    
  • average pooling
    

• Temporal attention（TA）
  在这个模型中对sequence of image feature使用attention weighted average，给每一个切片c一个attention系数，即$a_c^t$,特征向量：
  

  • Resnet50最后一层卷积层得到的tensor size为[w,h,2048]
  • attention generation network 将一列特征[T,w,h,2048]作为输入，输出T个attention scores。
  • 第一种attention network 是 spatial conv + FC
    卷积层input channel = 2048，kernal width =w，kernal height = h, output channel number = $d_t$,即{w,h,2048, $d_t$};全连接层input channel =$d_t$，output channel = $d_t$，卷积层输出是一个scalar vector $s_c^t$，作为clip c对应t帧的得分。
  • 第二种是spatial + temporal conv
    第一个卷积层同样为{w,h,2048, $d_t$}，对于每个clip的每一帧可以得到一个 $d_t$维的特征，然后对提取到的特征使用一个temporal conv layer{3，d，1}生成temporal attention $s_c^t$。
    对应下图的C部分：
    当我们获得了 $s_c^t$，我们有两种方式计算最终的attention score$a_c^t$：
    softmax function：
    
    sigmoid function：
    

• RNN

  • RNN cell在一个time step t处按顺序编码一个图像特征，然后将隐藏状态$h_t$传递到下一时间步。
  • 两种方式考虑融合图像特征到一个单独的切片特征$f_c$
  • 一种是使用最后一个时间步长的隐藏状态$h_t$，即$f_c=h_t^c$
  • 另一种是计算RNN输出{$o^t$}的平均值
  • 测试了两种不同的RNN cell ：LSTM and GRU

3.2 loss function

• triplet loss
  • Batch Hard triplet
  • 对于每个identity随机取P个identities和K个clips（每个clips 包含T帧），所以一个batch总共包含PK clips。
  • 对于一个batch中的每个sample a，挑取最难正样本和最难负样本形成triplets去计算loss
    
• Softmax cross-entropy loss
  • 交叉熵损失把PK clips 分类到正确的identities
    

-total loss

3.3 Similarity calculation for testing

和之前一样，一个视频被切割成连续且不重复的切片c,每个切片都包含T帧。
测试时，提取视频每个切片的clip level representation，video level representation 是所有clip level representation的平均值。
使用L2 distance来测量每个video的相似度。

4.Evaluation

4.1 Evaluation Settings

• Metric
  • mAP + CMC
• Dataset
  • mars
• Implementions
• Image-based baseline models