行人重识别论文笔记录

转自：https://blog.csdn.net/linolzhang/article/details/71075756

1. Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function    CVPR 2016

a）Multi-Channel Parts-Based CNN

     多通道的 CNN，比较容易理解，一是 Global，通过Crop的全图做CNN；二是 Parts Model，将图像水平分割成多个部分，本文是分割成了4个部分，最后5部分通过全连接形成N维特征。

b）Improved Triplet Loss

     Triplet 相信都不陌生，在 FaceNet 中提出，通过构造一个 三元组 <I，I+，I-> 进行样本训练，来驱动CNN网络的改进。

训练过程

     采用随机梯度下降法 （SGD） 进行训练，对上面的 Loss函数求导数

2. An Enhanced Deep Feature Representation for Person Re-identification    CVPR 2016

a）基于ELF 扩展了新的组合特征 ELF16；

      使用color histogram features（颜色直方图特征：RGB，HSV，YCbCr，Lab 和 YIQ）和 texture feature（纹理特征：multi-scale and multi-orientation Gabor features），这个特征更具有区分性和紧凑性。

b）将上面的手选特征与CNN结合，提出 Fusion Feature Net（FFN）；

      作者是想通过 手动特征（Hand-crafted）与CNN提取特征互补，实现比 单纯的 CNN 或者 单纯的 手动特征 更高的目标区分度。

3. Top-push Video-based Person Re-identification    CVPR 2016 

a）引入Pooling Color&LBP，HOG3D进行时序特征描述，非作者原创；

      HOG3D比较早了，在行为识别中用的比较多，可以参考：

      http://lear.inrialpes.fr/people/klaeser/research_hog3d

b）通过对 文献【15】- 点击下载 扩展，提出 TDL方法，即 Top-push distance learning model；

     TDL方法是一种空间映射，目的在于 减小类内（intra）距离，增加类间（inter）距离，提高目标的可区分度

 

【行人识别】https://blog.csdn.net/shenxiaolu1984/article/details/53607268