论文笔记11 --(ReID)Deep Group-shuffling Random Walk for Person Re-identification

《Deep Group-shuffling Random Walk for Person Re-identification》
论文:https://arxiv.org/abs/1807.11178
GitHub:https://github.com/YantaoShen/kpm_rw_person_reid


CVPR2018(DGRW)Deep Group-shuffling Random Walk for Person Re-identification
ECCV2018(SGGNN)Person Re-identification with Deep Similarity-Guided Graph Neural Network

这两篇是港中文商汤联合实验室的文章,都是讲graph+person reid的。

这两篇其实是做person verification的,很相似。思想是正常的训练reid模型提取特征,对一个batch内提取的特征计算相似度,从而得到graph的信息,计算出相似梯度反向传播时去更新W。文章将graph之间的关联融合到模型的训练中,graph由许多节点和边构成,在reid中节点就是一个个的人的图像,边就是各图像间的相似度。利用一个batch中的所有图像在关系图上的关联,提供了更丰富的监督信号,虽然结果上提升不明显,但思想上的创新性还是有的。对我个人的用处不是特别的大,就不细读了。

这两篇paper的解读,这个帖子讲得很不错,强推:https://zhuanlan.zhihu.com/p/47162428

关于商汤这两篇paper的区别:

  • DGRW是用Random Walk的方式将G2G(gallery之间的关系)的相似度信息用来更新(probe和gallery之间的关系)P2G的相似度关系,在反向传播时通过G2G这个很多相似度关联的图对原来的图像模型提供更多的训练。
  • SGGNN是用G2G的相似度关系对P2G的相似度特征进行修正,从而得到更好的相似度特征,并且也通过G2G之间的大量关联提供了更多的监督信号。

你可能感兴趣的:(Deep,Learning,Person,Re-ID)