ICCV2019-行人重识别-View Confusion Feature Learning for Person Re-identification

动机：

这篇文章的出发点很明确，就是解决re-id问题中不同行人视角的匹配问题。在之前有不少文章，比如Pose-Normalized Image Generation for Person Re-identification这篇文章，就是将不同视角下的行人匹配到同一个视角下。与这篇的思想类似，作者想到，匹配到某个视角下这样误查一定很大，也不一定准确，所以，不一定要匹配到这样一个“具体的视角”而匹配到一个“共有的视角”，即common view。

创新：

1. 基于common view的对抗学习。
   这里作者采取了对抗学习的思路，希望不同视角特征分类准确，也希望不同视角特征更多表现趋近于共有的特征。所以，这里一定会有一个给样本数据标注不同view的分类器，和一个将view特征分类的分类器。这里第一个pre-trained CNN 为标注分类器，第二个由两个fc组成的为特征分类器。对与第二个分类器来说，它的目的是将不同视角的特征分类，并对应至相应的view label，而为了不同视角特征更多表现趋近于共有的特征，所以又希望同一ID不同view的样本特征尽量形似，这样就构成了一个对抗损失。
   
2. 不同视角特征拉近：这里作者直接使用了center loss，目的就是拉近同一ID不同view的样本的特征距离，这个与上一个目的相似。只不过这个更为显示。
   
3. 联合sift特征：sift特征是传统图像处理很常见的一个对于图像特征的提取，并且具有旋转不变性，尺度不变性，这个与本文的思路不谋而合，所以可以借助sift特征对于图像的提取，拉近网络对于特征的提取。
   

框架：

框架结构： 主流+支流（common view feature）
特征：全局特征
损失函数：triplet loss
bacbone：resnet50

实验：

不同视角下得到common view feature map，效果还是很好的

使用resnet50的结果，并不是很高