1604.An Enhanced Deep Feature Representation for Person Re-identification 论文笔记

这篇论文发表于IEEE Winter Conference on Applications of Computer Vision (WACV’2016)
论文类型：严格来说，该论文属于基于融合特征的度量学习方法，侧重点在深度特征和传统特征的融合，更鲁棒的表达。
1.作者的idea：
总结前人的研究成果，对传统特征表达做一次进一步的整合，再结合cnn深度特征提取，最后做一个特征融合，而融合的过程并不是简单的融合，会考虑让传统特征通过后向传播去辅助和指导CNN提取的特征，形成一种统一的具有互补性的融合特征，最后作者将提取的融合特征+度量学习方法实现更好的reid rank-1选匹配率.
其方法示意图如下：

传统特征采用：RGB, HSV, YCbCr, Lab, YIQ color feature and Gabor texture feature
CNN 网络：Caffenet ，
度量学习方法：KMFA（Mirror Kernel Marginal Fisher Analysis）
以上采用的softmaxloss不再是对比loss，相比于一下深度学习论文，其输入不再是图相对，方便了图像训练过程。
Deepreid: Deep filter pairing neural network for person re-identification. In IEEE CVPR, 2014.
D. Yi, Z. Lei, S. Liao, and S. Z. Li. Deep metric learning for person re-identification. In IEEE ICPR, 2014.
An improved deep learning architecture for person re-identification. In IEEE CVPR, 2015.
Deep feature learning with relative distance comparison for personreidentification. Pattern Recognition, 2015.
2.实验部分
Experiments on three challenging person re-identification datasets (VIPeR, CUHK01,PRID450s) show the effectiveness of our learned deep features.

3.总结
作者讲解了：How do Hand-crafted Features Influence the Extraction of CNN Features?这个问题，但是，直觉上的感觉并不是很work，尽管没做实验，作者前面用了market-1501数据集，后面的实验中没有用market-1501数据集做一些实验对比，而是采用了VIPeR/CUHK01/PRID450s，对此有一些疑问。
不过作者提出的传统特征通过后向传播来提取更互补的深度特征机制还是很好的。

其他的翻译材料：https://www.cnblogs.com/xueyuxiaolang/p/6636914.html