Learning Shape Representations for Clothing Variations in Person Re-Identification

这其实就是一个细粒度多类别的身份分类器（文中称为multi-positive-classclassificationloss），若图像属于同一身份的衣服类，则概率为1/K，K为该身份行人的衣服类别数。但是，这样带来的问题是会对换衣情况下的身份识别有帮助，但是对不换衣情况下会降低效率。为此，对该公式进行调整，增大同一身份相同衣服的概率，这样就使得模型在关注身份的同时，会去关注部分衣服特征。对同一身份的图像穿不同衣服的分成不同类别，这样不同身份的行人即便穿相同衣服也会被分为不同类，但是减少了标注的困难。...

Deeply-Learned Part-Aligned Representations for Person Re-Identification一种超简单有效的行人对齐识别网络！ inspired by attention model，propose a part-aligned human representation基于特征图 FCN全卷积提取特征图部分应用GoogLeNet部分网络，特征图

—这是作者提出mixed的含义吧，就是从混合模态组成的batch里随机去选图像，而不去考虑图像的模态，从而不去考虑模态的差异进行直接优化intra-和inter-modalitylearning.构建一个包括不同模态的图像，不去考虑模态的差异进行直接优化它们的关系。加权策略通过自适应考虑每个Triplet的贡献，增加困难样本的贡献（具有较大/较小距离的正/负对），从而能够充分利用batch中的所有三元组。现有的图像增广策略主要针对单模态的可见光图像，没有考虑可见光-红外图像匹配时的图像特性。......

《Learning to Adapt Invariance in Memory for Person Re-identification》论文笔记摘要对比两种方法ExperimentsAblation study与SOTA对比 作者： Zhun Zhong, Liang Zheng, Zhiming Luo, Shaozi Li, Yi Yang 原文链接：link. 摘要 在《Invariance...

论文地址： https://arxiv.org/pdf/1910.06827.pdf Github： https://github.com/KaiyangZhou/deep-person-reid 摘要 有效的行人再识别模型应该学习特征表示，这些特征表示既可以用于区别外观相似的人员，又可以在无需任务调整下用于跨数据集部署。 在本文中，我们提出了新的CNN架构来应对这两个挑战。首先，我们提出了一个被...

摘要 行人再识别问题一般有两种解决思路，一种是对单张图像的特征进行匹配(SIR, single-image represention)，另一种是对交叉图像特征进行二分类处理(CIR,cross-image representation)。在本文中，我们对两种方式之间的联系进行了探索，并借助CNN提出了一种联合两种方式的学习框架。 对于上述的两种方式，第一种是通过比较两张图像特征之间的距离与阈值...

CVPR2022 person re-identification 跨模态 1、Learning Memory-Augmented Unidirectional Metrics for Cross-modality Person Re-identification 2、FMCNet: Feature-Level Modality Compensation for Visible-Infrared Person Re-Identification 3、Learning Modal-Invariant and

High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification（CVPR2022) Identity-Guided Human Semantic Parsing for Person Re-Identification（ECCV2020）

CUHK02 取自5个不同的户外camera对，共1816人。5个camera对分别有971,306,107,193,239人，大小160*60. 每个人在每个摄像机下的不同时间内取两张图片。大多数人都有负重（背包，手提包，皮带包，行李）。 VIPeR：632人，2个户外摄像头，有不同的视角和光照条件。每个人在每个摄像机下有一张图像，尺度为128*48。提供的角度0度（front），45度，9

https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/29053615 Learning Deep Context-Aware Features Over Body and Latent Parts for Person Re-Identification 作者是中科院的Dangwei Li等。这篇工作是multi-

作者：Zhedong Zheng 摘要提出一个simple的semi-supervised pipline. 该方法只使用训练集而不需要额外的数据。该方法的主要挑战： - （1）如何仅从训练集获取更多的训练数据， - （2）如何使用新产生的数据。 本文提出用generative adversarial network(GAN)

论文查看 作者是中科院的Dangwei Li等。这篇工作是multi-class person identification tasks，主要创新有三点：（1）用空洞卷积（dilated conv）进行多尺度特征提取，减少传统CNN提取特征的信息损失；（2）利用Spatial Transformer Networks (STN，其中作者设置了三个参数限制) 提取可变的body-part，相比较于r

作者：西安交大的De Cheng, Yihong Gong, Sanping Zhou, Jinjun Wang, Nanning Zheng主要贡献：贡献有两个，一个是改进的网络结构，一个是改进的triplet loss.网络结构： 该网络结构一共有5个channels，其中一个是整个身体的channel，其他四个对应四个parts的channels。 其中： full-body chann

中国科技大学的Jiawei Liu等发表在Acm on Multimedia Conference上的论文。作者提出一个多尺度的triplet CNN，在一个数据集Market1501上表现出好的性能。网络结构如下： Triplet loss 主要改进：同时训练了三个不同尺度的网络，对于低尺度用了shallow network(2个卷积+池化），不变尺度的用了5个卷积（池化）。最后进行特征的组合

Alexnet: http://blog.csdn.net/sunbaigui/article/details/39938097 中山大学人机物智能融合实验室 http://hcp.sysu.edu.cn/?page_id=16

作者：Yeong-Jun Cho and Kuk-Jin Yoon Computer Vision Laboratory, GIST, South Korea动机人的外表会随着动作和视角变化而改变，因此不同姿态下进行的匹配会有很大的困难。方法1.通过估计人的姿态 （front, right, back, left） 2.建立多姿态匹配模型 3.以加权和的方式进行预测（采用KISSME学习权重

主要贡献： 1. 提出Feature Fuse Net，该网络学习受传统特征的约束。 2. 形成一种新的特征表示 网络结构：

作者：中山大学Jinjie You†,‡, Ancong Wu†,‡, Xiang Li†,‡, and Wei-Shi Zheng∗动机大多数研究都是研究基于静止图像的person re-id，但是由于从静止图像中提取的信息是有限的，因此可以基于视频的re-id，利用额外的时空信息提取更多信息。然而基于视频的方法，使得类间的间隔更具模糊性。因此提出TDL.TDL具体的损失函数： 这个损失