Person Re-Identification by Deep Learning Multi-Scale Representations

通过深度学习多尺度表达的行人重识别
摘要：
现存的行人重识别方法主要基于单一尺度的外观信息。这不仅可能忽略了其他不同尺度的明确的有用信息，而且丧失了挖掘多尺度之间潜在的相关互补优势的机会。这篇文章中，我们说明了使用卷积神经网络学习多尺度人物外观特征的优势，旨在联合学习有区别的特定尺度的特征，和在图像金字塔输入中最大化多尺度特征融合选择。确切地说，我们构造了一个新的深度金字塔特征学习卷积神经网络结构，这个结构在一个闭循环设计中，多尺度外观特征融合被优化并存的每个尺度的行人重识别损失函数，和跨尺度的相互作用的一致性正则化项同时优化。大量的对比评估说明在三个基准Market-1501，CUHK03和DukeMTMC-reID库中提出的深度金字塔特征学习模型在行人重识别上超过很多最先进的方法。

全文地址http://openaccess.thecvf.com/content_ICCV_2017_workshops/w37/html/Chen_Person_Re-Identification_by_ICCV_2017_paper.html