【Re-ID】现有方法调研 - 深度学习方法

目标跟踪基础与智能前沿

寻找 目标跟踪方向的小伙伴，如果你苦于没有地方可以和同方向的小伙伴交流，我们创建了一个交流群，点上方链接可以进入，每周的交流活动通过该号宣传，群里随时随地可以展开讨论，无论是学术交流，还是环境配置，实验讲解，欢迎加入我们，一起交流进步！
点击上方链接，微信关注回复"数据集"，获得目标跟踪几大经典数据集下载链接。

---

参考学习资料

1、基于深度学习的行人重识别研究综述

一、ReID方法分类

定义：ReID : 给定一个监控行人的图像， 检索跨设备下的该行人图像。

研究方法分类以下几个类别：

1、 基于表征学习的ReID方法
2、 基于度量学习的ReID方法
3、 基于局部特征的ReID方法
4、 基于视频序列的ReID方法
5、 基于GAN造图的ReID方法

1、表征学习(Representation learning)[1-4] ：得到行人的特征表示（CNN / 属性），转化成 分类问题\ 验证问题

CNN可以自动提取出表征特征(Representation)
研究者把行人重识别问题看做分类(Classification/Identification)问题或者验证(Verification)问题：
（1）分类问题是指利用行人的ID或者属性等作为训练标签来训练模型；
（2）验证问题是指输入一对 （两张）行人图片，让网络来学习这两张图片是否属于同一个行人。

论文[1]利用 Classification/Identification loss 和 verification loss 来训练网络，其网络示意图如下图所示。

• Classification/Identification loss ：
• ** verification loss ：**

也有论文认为光靠行人的ID信息不足以学习出一个泛化能力足够强的模型。

行人属性标注： 在这些工作中，它们额外标注了行人图片的属性特征，例如性别、头发、衣着等属性。通过引入行人属性标签，模型不但要准确地预测出行人ID，还要预测出各项正确的行人属性，这大大增加了模型的泛化能力，多数论文也显示这种方法是有效的。

下图是其中一个示例[2]，从图中可以看出，网络输出的特征不仅用于预测行人的ID信息，还用于预测各项行人属性。通过结合ID损失和属性损失能够提高网络的泛化能力。

• ID损失：
• 属性损失：

优点：表征学习的方法比较鲁棒，训练比较稳定，结果也比较容易复现

缺点：容易在数据集的domain上过拟合，并且当训练ID增加到一定程度的时候会显得比较乏力

2、 度量学习(Metric learning) ： 度量相似度，是的相同行人图片的距离尽可能小、不同行人图片的距离尽可能大

• 对比损失(Contrastive loss)[5]
• 三元组损失(Triplet loss)[6-8]
• 四元组损失(Quadruplet loss)[9]
• 难样本采样三元组损失(Triplet hard loss with batch hard mining, TriHard loss)[10]
• 边界挖掘损失(Margin sample mining loss, MSML)[11]

首先，假如有两张输入图片和，通过网络的前馈我们可以得到它们归一化后的特征向量:

1） 对比损失(Contrastive loss)[5] ： 相同行人的距离越来越小 + 不同行人的距离越来越大

2） 三元组损失(Triplet loss) ：固定图片(Anchor) αα，正样本图片(Positive)pp 和 负样本图片(Negative)nn：

三元组损失是一种被广泛应用的度量学习损失，之后的大量度量学习方法也是基于三元组损失演变而来。

三元组损失需要三张输入图片。和对比损失不同，一个输入的三元组（Triplet）包括一对正样本对和一对负样本对。

三张图片分别命名为固定图片(Anchor) αα，正样本图片(Positive)