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。