刚刚去火车站买了下火车票，两个小时就为了刷个下铺。。。。。。突然看自己的笔记本，这周学的东西还有很多没有整理，上周的东西也还有很多没有清尾，最可耻的是上上周还有一篇计划了很久的东西，看了一半挂在那里没有看。郭师叔给的论文可能才看了1/8，最近又和我将强化学习是个很火的东西，花皮的deep learning买回来这么久也还没有正式看，还有一直心心念念的slam十四讲。我又不喜欢熬夜，每天还要定打不饶的运动。“路漫漫其修远兮，这他妈什么时候是个头呀”，加油吧多多。
言归正传，这也是我CVPR2018 ReID系列阅读之一。那么先对整个文章进行一个大体的介绍：ReID作为近些年来越来越火的一个课题，他在嫌疑人搜索，失踪人口查找等方面都有着巨大的优势以及潜在的价值。然而如何提取出图像中具有很强的可判别性，鲁棒性以及场景不变性的特征是一个很有挑战性的问题，在这篇文章中，作者首次提出了将二值掩图构成原RGB图的第四个通道进行输入。然后又构建了MGCAM这样一个框架，来分别从全图，body图，以及背景图来进行特征提取。
1）什么是full，body以及mask图像呢？我想不少同学应该很想问这样一个问题。
如上图所示，我们可以看到full其实就是完整图像，它包含了body以及mask图像的所有信息；body图像就是相对来讲，在原图上将所有的背景信息全部用黑色进行替代；而mask图，就是对原图进行二值掩盖，只保留人物边缘信息。
这里有朋友也许会问，既然背景信息没用，直接去掉就好，为什么还要加入mask信息。文中给出了这两个解释：首先有助于在像素级去除背景信息，其次mask包含了人物的边缘形状信息，这个被认为是十分重要的特征。
2）MSCAN
这是一个基础的特征提取的网络，例如之前的ReID中常用的是CaffeNet以及ResNet-50.这些basemodel由一个好处都是，因为被使用是十分广泛，所以存在大量的预训练模型，可以降低模型训练的时间。但是这里就存在这样一个问题，这篇文章中使用的图像是四通道，与常规的三通道不同，所以想caffenet这样的模型就没法使用。而MSCAN是一个多级的语义感知网络，他的输入也是四层，所以文章中采用了MSCAN作为基础网络。
3）MGCAM
首先是一个两级的预训练好的MSCAN模型，通过下方的图可以看出它有多级的特征采集方式。然后到这里图像输出形成第一个feature map f1。我们需要通过一系列的操作来·提取出full faeture，body feature以及background feature三种不同的特征图。1）首先是full feature，这个特别简单我们不需要做任何操作，直接将f1输入即可。
对于body以及bkgd feature的获得，我们可以将他们看为是一个互补的过程，因为把这两个图片相加就直接得到的是feature map f1.所以我们假定了两个参数
当然，已知这两个操作是互补的，所以肯定会存在这样一个条件：
有没有人发现到这里尽管我说了一堆，
那个小 σ代表的是一个归一化函数，因为上面讲这个值在0-1之间。由于我们希望最后的特征图，body feature部分能够提供多的信息，而bkgd feature部分提供比较少的信息，所以呢我们使用了mask图，希望通过一个损失函数来生成独立的body feature以及bkgd feature。损失函数如下所示：
4）Triplet loss
我想如果作为一个经常接触网络的人，你在接触到full，body，bkgd这几个不同的feature map的时候，你的第一印象应该就是这里应该会使用triplet loss。没错，作者不然不负我们所望，他使用了triplet loss。这个目标样本自然就是full feature，正样本是body feature而负样本是bkgd loss。这个很容易理解，希望通过这个函数，使得body feature提供大部分信息，并且同时希望减少背景对于最终结果的影响。
5）最后的整体框架
上面介绍那么多，其实都是为了最后的这个框架服务的，先上图：
两张图片作为输入，经过MGCAM提取信息，这里的两个MGCAM其实是同一个网络，结构相同参数相同，你也可以把他视为一个孪生网络。生成的两个feature map，最后通过一个函数进行相似度对比。
整个函数训练过程中使用的目标函数式表达为：
他们的系数都是预先设置好的超参数。你可以发现整个框架使用了四个损失函数构成了最终的目标函数，这也是本文的一个比较大的优点。
好啦，这篇文章介绍到这里，我是钱多多，欢迎大家有空交流指正。
学术交流可以关注我的公众号，后台留言，粉丝不多，看到必回。卑微小钱在线祈求
1022
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
