基于姿态的Re-Id
人的体态特征对于完成Re-Id任务来说是一个非常重要的线索。
SDALF[1]利用两轴代表体态特征，进一步推演出具有姿态不变性的特征。
Cho [2]定义了四个不同视角（前视，左视，右视，后视），通过学习对应的匹配权重来强化相同视角行人图像的匹配。
Cheng[3,4] 首次基于图像结构提出了更加细微的姿态表示方法，更加注重于匹配个体部分。
Zheng[5] 提出使用利用CNN的外部姿态估计器，基于行人的姿态，对图像进行归一化。进一步使用原图和归一化后的图训练深度re-id网络。Su[6] 采用了相似的方案。首先，子网络估计出姿势图，然后用来裁剪不同的身体部位。最后，学习局部和全局人体表示，并进行融合处理。姿势的变化也受到了重识，比如，[7]通过检测框架显式检测身体部位，[8]依赖于视觉注意图，或者[9]身体部位专用注意力模型。
Re-Ranking
Shen [10]使用KNN来产生新的排序表，并基于此表重新计算距离。
Carcia [11]提出对排序表中上下文和内容信息进行联合学习的方法，来去除较高排序中相邻的待选项，提高识别性能。[12]扩展了这一方法，通过内容和上下文相似性的融合修改初始排序表。
Li [12] 首次提出使用每幅图的最近邻域的相对信息来提高重排序。
Ye [13] 将全局和局部特征的常规最近邻域结合起来，作为新的序列。通过将新的序列聚合进新的排序表中，达到修改排序表的目的。
[14] 利用不同基准方法中，不同邻域的相似性和不似性线索提出了一种排序聚合方法来提高re-id。
[16] Jegou 使用相应邻域，并提出计算上下文不似性方法（CDM）。
[17] 正式使用k相应邻域方法计算排序表。
Zhong [18] 使用这些方法，通过序列扩展，排序融合以及欧氏距离，设计了一个有效的重排序距离。
姿态敏感嵌入
1.视角信息
使用“前视”“后视”“侧视”来量化人体相对摄像头的朝向作为粗姿态信息。鉴于这一信息和摄像头与人体相关，所以称为“视角信息”。
re-id CNN 的旁路分支加入了三元视角分类器。主网络的末尾处分为了三个相等的单元，来复制现有的层。视角分类器的三个视角预测得分作为每个单元输出的权重，以调节通过该单元的梯度。比如，对于具有很强“前向”特性的训练样本，只有“前向”单元会获得较大的权重，进而对梯度的更新产生较大的影响。这一过程使得每一个单元学习一个针对某一视角的特征图。并不对最终的嵌入值或者预测向量进行融合，相反，对每个特征图进行加权。
2.整体姿态
作为人体姿态的细节表示，我们使用了人体主要的14个位置信息。为了获取这一信息，我们使用现成的DeepCut模型。我们并不使用这一信息来显式地对输入图像进行归一化。相反，通过对14个关键位置加入额外的输入通道，我们把这一信息包含到了训练过程中去。这些通道用来指引CNN的注意力，使得它获得了很大的灵活性，以便自学怎样将联合信息应用到结果嵌入中。为了进一步增加灵活性，我们并不依赖于DeepCut的最终关键点，而是将每个关键点的全置信图提供给RE-id CNN。这就避免了任何基于硬关键点决策导致的错误输入，给我们的网络留出了可以补偿的机会，或者至少识别出不可靠的姿势信息。
3.训练细节
基于重排序的扩展交叉邻域距离
ECN距离能够加速计算，同时不需要严格的排序表对比。对于一对图来说，将每幅图紧邻的邻域的距离累计起来，可以得到较好的重排序。
对于探针图片和图集
和之间的欧式距离表示为
计算所有图片和探针集之间的距离，对每幅图来说，初始排序可以通过对计算的距离进行升序排序即可。
已知图片集和探针集所有图片的初始排序表，定义探针的扩展邻域为多个集合。是探针的个最接近的紧邻域，包含集合中的个最接近的邻域。
每个图像集可以根据其紧邻和邻域获得相似的扩展邻域多集合。集合和集合的总的邻域数为。一对图像的扩展交叉邻域距离定义为
表的相似度通过两个表前K个邻域的位置得到，对于一个含有N个图像的排序表，表示图像n在排序好的表中的位置。只考虑表中前K个邻域，排序表的相似性为
其中，
[1] M. Farenzena, L. Bazzani, A. Perina, V. Murino, and M. Cristani. Person re-identification by symmetry-driven accumulation of local features. In Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, pages 2360–2367. IEEE, 2010
[2] Y.-J. Cho and K.-J. Yoon. Improving person re-identification via pose-aware multi-shot matching. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 1354–1362, 2016
[3] D. S. Cheng, M. Cristani, M. Stoppa, L. Bazzani, and V. Murino. Custom pictorial structures for re-identification. In BMVC, volume 2, page 6, 2011
[4] D. S. Cheng and M. Cristani. Person re-identification by articulated appearance matching. In Person Re-Identification, pages 139–160. Springer, 2014.
[5] L. Zheng, Y. Huang, H. Lu, and Y. Yang. Pose invariant embedding for deep person re-identification. arXiv preprint arXiv:1701.07732, 2017.
[6] C. Su, J. Li, S. Zhang, J. Xing, W. Gao, and Q. Tian. Posedriven deep convolutional model for person re-identification. In Proceedings of the IEEE Conference on Computer Vision ICCV, pages 3960–3969, 2017
[7] H. Zhao, M. Tian, S. Sun, J. Shao, J. Yan, S. Yi, X. Wang, and X. Tang. Spindle net: Person re-identification with human body region guided feature decomposition and fusion. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 1077–1085, 2017
[8] A. Rahimpour, L. Liu, A. Taalimi, Y. Song, and H. Qi. Person re-identification using visual attention. arXiv preprint arXiv:1707.07336, 2017
[9] L. Zhao, X. Li, J. Wang, and Y. Zhuang. Deeply-learned partaligned representations for person re-identification. ICCV, 2017.
[10] X. Shen, Z. Lin, J. Brandt, S. Avidan, and Y. Wu. Object retrieval and localization with spatially-constrained similarity measure and k-nn re-ranking. In Computer Vision and Pattern Recognition (CVPR), pages 3013–3020. IEEE, 2012.
[11] J. Garcia, N. Martinel, C. Micheloni, and A. Gardel. Person re-identification ranking optimisation by discriminant context information analysis. In ICCV IEEE International Conference on Computer Vision, pages 1305–1313, 2015.
[12] Q. Leng, R. Hu, C. Liang, Y. Wang, and J. Chen. Person re-identification with content and context re-ranking. Multimedia Tools and Applications, 74(17):6989–7014, 2015.
[13] W. Li, Y. Wu, M. Mukunoki, and M. Minoh. Common-nearneighbor analysis for person re-identification. In Image Processing (ICIP), 2012 19th IEEE International Conference on, pages 1621–1624. IEEE, 2012
[14] M. Ye, J. Chen, Q. Leng, C. Liang, Z. Wang, and K. Sun. Coupled-view based ranking optimization for person reidentification. In International Conference on Multimedia Modeling, pages 105–117. Springer, 2015
[15] M. Ye, C. Liang, Y. Yu, Z. Wang, Q. Leng, C. Xiao, J. Chen, and R. Hu. Person reidentification via ranking aggregation of similarity pulling and dissimilarity pushing. IEEE Transactions on Multimedia, 18(12):2553–2566, 2016
[16] H. Jegou, H. Harzallah, and C. Schmid. A contextual dissimilarity measure for accurate and efficient image search. In Computer Vision and Pattern Recognition,CVPR, pages 1–8. IEEE, 2007
[17] D. Qin, S. Gammeter, L. Bossard, T. Quack, and L. Van Gool. Hello neighbor: Accurate object retrieval with k-reciprocal nearest neighbors. In Computer Vision and Pattern Recognition (CVPR), pages 777–784. IEEE, 2011
[18] Z.Zhong,L.Zheng,D.Cao,andS.Li. Re-ranking person re-identification with reciprocal encoding. pages1318–1327, 2017