论文笔记：Spatial-Temporal Person Re-identification 时空行人重识别

论文下载：https://arxiv.org/pdf/1812.03282.pdf

 读前需掌握的知识：

Parzen window概率密度估计：Parzen窗方法 - 知乎

拉普拉斯平滑：理解朴素贝叶斯分类的拉普拉斯平滑 - 知乎

文章主架构

分三部分：上半部蓝色的视觉特征流，下半部分绿色时空流，和右边的联合度量。

视觉特征流：

通过PCB网络获取两个特征向量，并计算余弦距离：

 时空流：

我们首先估计时空直方图，然后使用Parzen窗口方法对其进行平滑。

对于两张图像，有以下定义：

 分别表示label、相机、时间

k表示第k个直方图的bin，有多少个bin即表示把直方图划分成多少个区域。

表示时间差在第K个bin的数值区间上。 

表示在 第k个直方图bin上，有多少个图像对的时间差在这个bin的范围内。y=1表示图像对 i 和 j 是相同身份，y=0则表示不同身份。

文中没提，大概是全部值累加。 

----------------------------------------------------------------------------------割------------------------------------------

然后，

再使用‘Parzen Window method’对直方图进行平滑（smooth），

 

 K（.）是一个kernel，这里使用gaussian function。

Z是一个归一化因子。

----------------------------------------------------割-----------------------------------------------------------------

联合部分（Joint Metric）:

简单的可以认为  ，视觉流和时空流互不相关，直接相乘。即

 但是忽略了两个点：

（1）直接使用视觉相似得分，作为概率计算并不合理。即：

（2）时空概率是不可靠和无法控制的，因为一个人的行走轨迹和速度是不确定的。直接使用

 作为时空概率函数，在保持精度的同时会导致低召回率。例如：

 因此为了解决上述，提出两个Observation

1.Observation 1: Laplace smoothing拉普拉斯平滑,广泛运用于朴素贝叶斯先验概率的技术

 公式6：其中dk表示第k个类别的标签，mk表示第k个类别的总数，M表示全样本数量，D表示类别数量，λ表示平滑参数。

公式7：特殊的，取D=2 ，λ=1

拉普拉斯平滑的作用：用来调整罕见事件的概率值，将概率值收缩到 mk/M ~ 1/2之间

2.Observation 2: Logistic function：常用与二元分类

        特别的此处定义为

 λ是平滑因子，γ是收缩因子，两个都是常数变量。

联合度量：

最终概率使用以下公式：

 其中s（xi,xj）经过logistic function f()进行收缩，but not so much。因为视觉得分相对可靠。

Pst经过拉普拉斯平滑，进行了截断和上升，即使的Pst接近于0 ，