行人檢測&再識別&搜索

1、Pedestrian Detection

略。

2、Person Re-identification

略。

3、Person Search

其主要考慮，現有大多person re-identification演算法著重於考慮在queries和candidates之間匹配cropped pedestrian圖像，但在現實應用場景中行人邊界框標註是不存在的，即需要從整幅複雜場景搜索目標行人。person re-identification與Person Search差異可由下圖表示（圖片來自下述論文）：

person re-identification與Person Search資料庫差異可表示如下：

（1）Pedestrian Detection+Person Re-identification：

即將Person Search任務分開組合Pedestrian Detection+Person Re-identification。對於檢測，可採用DPM、ACF、CCF、faster RCNN等。對於Re-id，考慮特徵表示DSIFT、LOMO、automatically learning features with CNN等以及各種距離度量方式。

（2）End-to-End Person Search：

即聯合優化檢測與識別。

A、Person Search in a Scene by Jointly Modeling People Commonness and Person Uniqueness

其考慮簡單地組合detection和re-id存在兩個問題，一是檢測的錯誤帶入了re-id，二是re-id問題場景本身不同於person search，因此提出對commonness of people(for detection) 和uniqueness of people(for identification)進行聯合優化。

B、End-to-End Deep Learning for Person Search

其結構如下所示，訓練階段整體損失為Anchor smooth L1回歸損失、Bbox smooth L1回歸損失、Anchor是否行人的softmax損失以及person identities的RSS損失之和。

C、Joint Detection and Identification Feature Learning for Person Search

其提出OIM損失函數更有效地訓練網路，其結構如下：

D、Person Search with Natural Language Description

其主要考慮的問題是person search with natural language description，即Searching persons in large-scale image databases with the query of natural language description。給定一個人的文字描述，Person Search演算法要rank all the samples in the person database，然後根據描述檢索最相關樣本。圖示如下：

E、IAN: The Individual Aggregation Network for Person Search

F、And..............