【论文笔记】Omni-Scale Feature Learning for Person Re-Identification

https://github.com/KaiyangZhou/deep-person-reid

作为实例级识别问题，人员重新识别（ReID）依赖于判别特征，其不仅捕获不同的空间尺度而且还封装多个尺度的任意组合。我们将这些特征称为同构和异构尺度的全尺度特征。在这篇论文中，一部新颖的深刻CNN被设计为全称网络（Omni-Scale Network  OSNet），用于ReID中的全方位特征学习。这是通过设计由多个卷积特征流组成的残差块来实现的，每个卷积特征流检测特定尺度的特征。重要的是，引入了一种新颖的统一聚合门，以动态融合多尺度特征和输入相关的信道方向权重。为了有效地学习空间通道相关性并避免过度拟合，构建块使用逐点和深度卷积。通过逐层堆叠这些块，我们的OSNet非常轻量级，可以在现有的ReID基准测试中从头开始进行训练。尽管模型尺寸较小，但我们的OSNet在六个ReID数据集上实现了最先进的性能

挑战：1）相机视角的变化带来的行人变化

           2）类间差异小 公共场合不同的人穿着类似的衣服

解决方法：学习判别特征

omni-scales 同构和异构尺度的全尺度特征

全局特征和局部特征同样重要

还需要一些独特的组合：比如白t恤+上面的logo