論文筆記 Pose-driven Deep Convolutional Model for Person Re-identification_tianqi_2017_ICCV

1. 摘要

爲解決姿態變化的問題，做者提出Pose-driven-deep convolutional model（PDC），結合了global feature跟local feature， 而local feature 還用一個feature weight network（FWN） 進行重要性程度度量，在經常使用reid數據集 CUHK03 、Market150一、viper 上面取到了很是好的效果。

2. 介紹

這個PDC模型有兩個比較重要的子網絡:FEN FWN；最後整合global feature 和 local feature 用一個softmax loss進行分類。 （1）FEN主要是把原始的圖像進行姿態估計，找出14個關鍵點，而後基於這個14個關鍵點把行人分紅6 parts 而後其中還有一個PTN 的網絡把6 parts進行一個變換，整合成一張新的行人圖像。 （2）FWN 對通過一系列CNN 的modified image學習每一個part的權重表示

本文的主要貢獻：

（1）提出PDC 模型，其中的FEN子網絡對行人進行關鍵點檢測，對parts進行處理 （2）FWN子網絡，經過賦予行人每一個part一個不一樣的權重來凸顯有判別力的part，而且避免引入沒必要要的噪聲

3. 方法

PDC模型的framework 以下           FEN子網絡說明以下 FEN中的PTN具體結構     local feature 通過FWN同global feature 整合的過程圖

4. 實驗

（1）證實global feature 同local feature 結合的有效性、通過子網絡FEN處理的有效性、通過FWN處理的有效性； PDC模型（結合上述全部的處理）的結果最佳 （2）在經典數據集上同state-of-the-art 方法的比較 CUHK03 數據集上的比較（取得最好的結果） Market-1501數據集上的比較（取得最好的結果） VIPeR數據集上的比較（結果比spindle net稍差，多是訓練數據集數量不夠多） （3）FWN子網絡的設計實驗（實驗代表一個卷積層+一個非線性變換最佳） local feature同global feature 整合過程通過FWN子網絡處理後的變化展現

5. 結論

文章的PDC模型證實了body parts cue 對Reid 仍是起到至關大的做用。PDC模型經過整合global feature and local feature 並用一個子網絡FWN對part部分的權重進行計算，效果甚佳。

6. 評價

模型效果很好。只是模型稍微顯得有點多：其中包含了通常的CNN模型提取特徵，還有FEN子網絡對人體的關鍵點進行估計， 再對人體的parts進行變換，而整合；以後仍須要經過一個FWN子網絡估計行人的各個part對Reid 的做用程度。 不過很是有意思的是FWN子網絡，認爲不一樣的part對Reid的影響不一致，從而爲parts分配一個權重，這個有利於加強具備分辨力 的part，抵制噪聲的加入，很是好。

7. 參考

Pose-driven Deep Convolutional Model for Person Re-identification