person re-identification by deep learning multi-scale representations(阅读笔记)

该文主要是对文献进行翻译，菜鸟一枚，翻译的有很多地方不太准确，欢迎提出，便于之后修改。谢谢！！
转载请指明出处！！！
一、摘要
首先先阐明了现有进行人物识别的方法都是基于单一尺度的外观信息，往往会将其他不同尺度的潜在的有用信息忽略，也会忽视掉隐层之间的相关性信息(信息间的互补关系，也就是信息的补充，类似于一个名词前面加上多个形容词，使得物体特征描述更加清晰)。在这项工作中，我们展示了使用卷积神经网络（CNN）学习多尺度人物外观特征的好处，**旨在共同学习辨别特定尺度特征，并影像输入中最大化多尺度特征融合选择。**该文章中，指定了一个新的深层次的卷积神经网络（DPFL），通过并行的每个尺度的重识别损失（losses）和交互式跨尺度共识正则化在闭环设计中同时优化，来进行多尺度外观特征融合。

二、介绍
人员重新识别（re-id）旨在通过在开放监视空间上部署的非重叠摄像机视图来匹配人物图像的身份类别。这是一项具有内在挑战性的任务，因为由于人体姿势，视角，照明，遮挡和背景杂乱中的未知协变量，人的视觉外观可能在不同的相机视图中发生显着变化。现有工作集中于设计身份判别特征表示或学习匹配距离度量或者深度模型构架。通过对齐局部正文进行特征提取，然后进行交叉视图匹配，现有方法通常将所有人物边界框图像调整为单个尺度，也把这种方法作为规范的预处理标准化步骤。由于目标物体和相机之间的距离不固定，图像总是在大范围检测空间内捕获对象（图1）。目标重识别本质上是一个多尺度重新匹配的问题。