Dissecting Person Re-identification from the Viewpoint of Viewpoint

CVPR2019 行人重识别

Dissecting Person Re-identification from the Viewpoint of Viewpoint
原文链接：https://arxiv.org/abs/1812.02162

这篇文章主要有两个贡献：

1. 提出了生成行人图片的数据生成器
2. 基于该数据生成器，研究了视角对于REID的影响

分别聊一聊

一、数据生成器
该数据生成器在1266个手工设计的3D行人的基础上实现。所以并没有直接生成新的行人的功能。
该数据库的主要功能是产生每一个人物36个角度的图片，如下图。

在此基础上，利用该功能研究视角对于REID的影响。
另外，该数据生成器可以改变生成图片的背景、光照、角度。用原文的话说就是editable。如下图。

为了证明这个数据库具有实际意义（可能作者看了这个生成图片自己也心虚）。使用了几个常见的REID算法对该生成数据库（Person X）以及其它常用数据库做了实验。发现Person X数据库和其它数据库对于不同算法的性能指标具有相似的变化规律，所以Person X数据库具有实际意义。

PS:？？？感觉并没有什么关联…强行做一个实验的感觉。不敢苟同。

二、视角对REID性能的影响

实验过程很无聊，没什么可说的。
直接放结论：

训练集：

1. 缺少一些视角会影响性能。
2. 在缺少相同数量视角的情况下，连续缺少一些视角（如0度、10度、20度）比随机缺少一些视角（如100度、180度、300度）对性能影响更严重。
3. 对应图一，如果训练数据有限，那么left和right视角的更好。

query:

left和right视角的query的准确性更高。

gallery:

1. gallery中视角相似的不匹配图片有时候会比视角差距大的真匹配图片更容易匹配。
2. 当图像效果不好（复杂背景、极端光照（不知道是什么鬼）、低分辨率），1中的问题更严重。

看完第一感觉，这也可以发顶会？不过静下心来，还是要向大佬学习这种新思路。做一个课题未必要不断用tricks刷新准确率，有时候对影响课题的一些因素做一些定量分析也是一件很值得的事。

完

欢迎讨论，欢迎吐槽。