2018-ECCV-BeyondPartModels:PersonRetrievalwithRefinedPartPooling论文笔记一、提出问题本文主要研究基于分块特征的re-id方法，目前的基于分块特征的方法性能较好

论文地址Motivation如今的Re-ID工作大多是将特征学习与度量学习分开，那么能不能把两者一起学习来提高性能呢？

论文地址和之前一篇笔记思路比较像，也是考虑用多任务来做Re-ID来学到相对鲁棒的特征(多个损失)，本文方法中根据不同loss的特点在不同层使用不同的loss来优化感觉很有意思，简单总结下本文的方法部分Motivationrankloss

评价指标：1、rank-n:搜索结果中最靠前（置信度最高）的n张图有正确结果的概率。CMC曲线：算一种top-k的击中概率，主要用来评估闭集中rank的正确率。例如：lable为m1，在100个样本中搜索。如果识别结果是m1、m2、m3、m4、m5……，则此时rank-1的正确率为100%；rank-2的正确率也为100%；rank-5的正确率也为100%；如果识别结果是m2、m1、m3、m4、m

ICCV2017相关论文所用的指标：1、UnlabeledsamplesgeneratedbyGANimprovethepersonre-identificationbaselineinvitroresnet50为基础，GAN生成的图像和真是图像数据一起输入CNN网络进行re-idmarket-1501(singlequery，也只使用此数据集来生成图像）:rank-1(78.06%)mAP(56

本作品采用知识共享署名-相同方式共享4.0国际许可协议进行许可。导语：PCB，这种切块目前养活了好多人。之后的MGN,HPM，VPM等等后面慢慢介绍。孙老师，郑良大佬等的佳作。Paper:BeyondPartModels:PersonRetrievalwithRefinedPartPooling(andAStrongConvolutionalBaseline)Code代码Abstract在行人图像

大多数现有的人员重新识别（re-id）方法都需要从每个摄像机对的一大套成对标记的训练数据的单独大集合中进行监督模型学习。

《ADiscriminativelyLearnedCNNEmbeddingforPersonRe-identification》1）Motivation现在主流的两种re-ID卷积网络:verificationmodel

（就是检测和re-ID任

whereonetriestoadapttheexistingre-identificationmodelsafteron-boardingnewcameras(什么是on-boardingnewcameras)意思加入新相机后，还是尝试利用之前存在的re-ID

AnIntroductiontoPersonRe-identificationwithGenerativeAdversarialNetworks论文地址摘要传统的Re-ID方法在解决复杂背景下的遮挡、姿态变化和特征变化时存在着一定的限制

论文地址Motivation现有的Re-ID工作都面临以下的问题：lossfunction的选择不对准问题寻找高判别力的局部特征对于rankloss优化中的采样问题目前的大多数工作都是针对上述问题中的一两个来进行解决

视频分享云从科技：详解跨镜追踪（ReID）技术实现及应用场景【极市】郑哲东-Deep-ReID：行人重识别的深度学习方法行人再识别论文介绍及最新进展相关文章田奇：行人再识别的挑战和最新进展智能监控场景下如何进行大规模并行化视频分析？技术最前线：视频监控中的行人再识别技术综述APracticalGuidetoPersonRe-IdentificationUsingAlignedReIDCVPR201

表征学习将行人重识别问题作为分类问题和验证问题。1.分类问题分类标准：一般是多个结合起来的，即：ID损失+多个属性（如：颜色等）损失的均值损失函数：网络结构：2.验证问题：输入两张图片来判断它们是不是同一张图片具体：输入两张图片，经过同一个CNN,得到两个特征向量，将两个特征向量融合起来到FC层，最后输出只有两个神经元的FC,用以判断是否是同一行人。损失函数：(这个加和只有两个项)。3.其实一般是

Paper:MaskedGraphAttentionNetworkforPersonRe-identificationCode(暂无)Abstract主流的人再识别方法(ReID)主要关注个体样本图像与标签之间的对应关系，而忽略了整个样本集中丰富的全局互信息。为此，我们提出了一种掩码图注意网络(MGAT)方法。MGAT利用所提取的特征信息构建完整的图，节点在标签信息的引导下以掩模矩阵的形式定向地关

ADeepLearning-BasedApproachtoProgressiveVehicleRe-identificationforUrbanSurveillance数据库名称：VeRi776论文：链接数据库描述：它包含超过50,000张776辆车的图像，这些图像由20台摄像机拍摄，在24小时内覆盖1.0平方公里的面积，这使得该数据集可扩展到足以用于车辆Re-Id

paper下载地址：https://arxiv.org/abs/1710.00478IntroductionPersonRe-ID目前依然是一项十分具有挑战的任务。姿势，视角，光照，背景和遮挡都给这项任务带来困难。传统的方法通过学习low-level特征，比如颜色、外形、局部描述子等来描述一个人。而CNN通过学习high-level特征能够提升性能。目前的监督性学习方法能够分为两类，一类是表示学习

度量学习是指距离度量学习，DistanceMetricLearning，简称为DML，做过人脸识别的童鞋想必对这个概念不陌生，度量学习是EricXing在NIPS2002提出。这并不是个新词，说的直白一点，metriclearning是通过特征变换得到特征子空间，通过使用度量学习，让类似的目标距离更近（PULL），不同的目标距离更远（push），也就是说，度量学习需要得到目标的某些核心特征（特点）

tracking-by-detection追踪框架中最主要的问题，在该论文中提出了一个通过评分函数对目标检测结果与当前追踪结果进行筛选，进而使用级联目标关联完成多目标追踪的方案，此外，作者中还设计了一个re-id

最近京东开源了FastReID，作为JDAIResearch中广泛使用的对象重新识别（re-id）软件系统。高度模块化和可扩展的设计使研究人员易于实现新的研究思路。

通知：这篇推文有10篇论文速递信息，涉及人脸表情识别、人脸替换、3D人脸重建、Re-ID、目标检测和目标跟踪等方向人脸[1]《DeepStructureInferenceNetworkforFacialActionUnitRecognition

什么是Re-ID?行人重识别（PersonRe-identification也称行人再识别，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。

方法1、基于损失函数的Re-Id算法2、Re-id度量学习算法2.1Tripletloss（三元组损失）2.2Quadrupletloss（四元组损失）2.3tripletlosswithhardsample

用re-id方式目标大位移导致丢失。machine-learning-yearning中文翻译(白皮书)MATLAB到Python：迁移指南-《超强的学习能力是怎样练就的？

PerceiveWheretoFocus:LearningVisibility-AwarePart-LevelFeaturesforPartialPersonRe-IdentificationYifanSun,QinXu,YaliLi,ChiZhang,YikangLi,ShengjinWang,JianSun[pdf][bibtex]InvarianceMatters:ExemplarMemor

解决车辆的可变性需要全局特征来区分形状、颜色或品牌。解决相机可变性需要汽车部件跨方向的局部特征，如大灯、保险杠或贴花。该文贡献：使用metricloss+softmaxloss作为损失函数，并使用归一化来投影从metric损失到softmax损失的特征。同时证明了使用LN比BN好。通过使用全局注意网络来减少输入conv1层的稀疏性，改进了全局特征提取。同时，利用一种新颖的局部注意机制，从全局特征中

转载请注明作者：梦里风林更多文章可以关注我的个人博客目标在视频数据中找到人物（稀疏）关联大量不同摄像头捕捉到的人物自动匹配和追踪人物Detect->Track->Retrieval通常认为的Re-id只是指

十月的论文总体来说都是围绕Re-ID展开的。看的东西多了，内容是有了，但就是有些乱，还得好好梳理梳理。image.png做实验花了37个小时

Re-ID学习论文综述:PersonRe-identification:Past,PresentandFuture链接：https://arxiv.org/abs/1610.02984代码入门教程：https

人货场的思路是整个新零售数字化链路的核心，人是整个业务生命周期的起始点，图像算法的首要目标就是从图像中得到“人”。前一篇我们主要讲了FaceID的发展，FaceID帮助商家赋能了线下用户画像，把视觉计算的热情带到支付、安防等各行各业。诚然，分析人的方式多种多样，各种分析行人的算法中，Face算法在其中有着得天独厚的优势，它在验证身份方面是最精准的（可以精确到支付验证），但Face算法在数量统计的准

人货场的思路是整个新零售数字化链路的核心，人是整个业务生命周期的起始点，图像算法的首要目标就是从图像中得到“人”。前一篇我们主要讲了FaceID的发展，FaceID帮助商家赋能了线下用户画像，把视觉计算的热情带到支付、安防等各行各业。诚然，分析人的方式多种多样，各种分析行人的算法中，Face算法在其中有着得天独厚的优势，它在验证身份方面是最精准的（可以精确到支付验证），但Face算法在数量统计的准

原文链接：http://www.cnblogs.com/StartDT/p/11392881.html人货场的思路是整个新零售数字化链路的核心，人是整个业务生命周期的起始点，图像算法的首要目标就是从图像中得到“人”。前一篇我们主要讲了FaceID的发展，FaceID帮助商家赋能了线下用户画像，把视觉计算的热情带到支付、安防等各行各业。诚然，分析人的方式多种多样，各种分析行人的算法中，Face算法在

SearchingforaPart-awareConvNetforPersonRe-IdentificationAbstract三个主要的问题为了解决这些问题Auto-ReID实验结果Abstract因为re-ID

SIMPLEONLINEANDREALTIMETRACKING(CVPR2016)文章背景：-以Re-id的形式整合复杂性会增加跟踪框架的巨大开销，会限制其在实时程序中的使用；-以往方法使用delaymakingdifficultdecisions

监控摄像头在现场拍到的是嫌疑人背对摄像头的情况，未有清晰正面的人脸，但图片显示了他的穿着、发型、身高等信息，而警方运用的技术则是计算机视觉领域中的行人再识别技术（Re-ID），通过Re-ID技术警方找到了关联摄像头正好拍到他的正脸

什么是Re-ID?行人重识别（PersonRe-identification也称行人再识别，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是

简介:这是一篇19年CVPR的跨域无监督Re-ID论文，在Market1501和DukeMTMC-reID上分别达到了67.7%和67.1%的rank-1精度，算是一篇将准确度刷得比较高的论文了，在这篇论文中主要是偏重了

1.mAP(meanAverageprecision)mAP(meanAverageprecision，平均精度均值)是目标检测和多标签图像分类等任务中常用的评测指标，因为这类任务中的标签数量大多不止一个，因此不能用普通的单标签图像的分类标准，即meanaccuracy。mAP指将多类任务中的平均精度（AP）求和再取平均。mAP的相对大小是衡量一个同类任务模型好坏的重要标准之一。下面就mAP的产生

1.mxnet的输入数据解释：mxnet的数据输入与其他的框架诸如tensorflow,pytorch不同，其特别之处在于：不直接输入图片，而是输入rec文件。rec文件是什么？rec文件内存放了每一张图片的data以及对应的label，相当于将所有图片集合成一个文件，且这个文件中含有图像的数据和标签信息。生成一个rec文件需要一个lst文件，再利用mxnet文件夹下的tools文件夹下的im2r

由于行人Re-ID的数据集规模有限且多样性弱，一些不显著的或者不常见的信息容易被忽略，并且在全局特征学习过程中

最近做行人检测Re-ID的工作，读了RepulsionLoss:DetectingPedestriansinaCrowd，所以刚好记录一下对论文的阅读和个人理解。

什么是Re-ID?行人重识别（Personre-identification，简称Re-ID）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。

行人再识别Re-ID面临两个特殊的问题：1）源数据集和目标数据集类别完全不同2）相机造成的图片差异因为一般来说传统的域适应问题源域和目标域的类别是相同的，相机之间的不匹配也是造成行人再识别数据集数据分布不同的主要原因之一

论文：JointDetectionandIdentificationFeatureLearningforPersonSearch链接：https://arxiv.org/abs/1604.01850前言：这篇是CVPR2017关于行人重识别（PersonRe-ID）的文章，由港中文、中山大学和商汤联合提出。本文主要提出了一种行人搜索的新框架，把传统的两门独立的研究任务——行人检测和行人重识别结合起

1、gallery和probe：gallery是候选行人库，probe是待查询输入，也叫查询图像（query）。2、singleshot和mutishot：前者是指gallery中每个人的图像为一张（N=1），而后者是指gallery中每个人的图像为N>1张图像，同样的Rank-1下，一般N越大，得到的识别率越高。3、rank-n：搜索结果中最靠前（置信度最高）的n张图有正确结果的概率。例如：la

LearningDeepNeuralNetworksforVehicleRe-IDwithVisual-spatio-temporalPathProposals车辆重识别中基于视觉时空路径方法的深度神经网络1.摘要(1)这篇文章提出了一个两级框架，将时空信息融合到re-id

作者提出PROVID,基于深度学习的车辆re-ID方法，有如下特点：(1)和现实中一样，采用循序渐进的方法搜寻车辆（由粗到精，由近到远）(2)粗分类：根据深度神

总结自：https://www.zhihu.com/question/68584669/answer/265070848作者：陈狄链接：https://www.zhihu.com/question/68584669/answer/326110383来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。从任务的角度来看，两者最主要的区别如下：行人再识别：给定一张切好块的行人图

最近在Re-ID任务中有不少网络都是sharingweights的。

paper下载地址：https://arxiv.org/abs/1703.05693code下载地址：https://github.com/syfafterzy/SVDNet-for-Pedestrian-Retrieval网络结构作者所采用的基础网络为resnet-50，在最后一个全连接层的前面加了一个Eigenlayer，其实就是一个全连接层，只不过对参数做了SVD分解，因此称为SVDNet。