DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification

DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification

Abstract：本文提出了filter pairing neural network（FPNN）來處理re-ID數據中的人物不對齊，光照和幾何變化等影響。

1 Introduction

本文的主要貢獻：（1）FPNN，不同之處在於：使用一個統一的深度神經網路來同時處理misalignment，photometric，geometric transform，occlusions and background clutter；不再使用手工標記特徵；（2）使用了dropout，data augmentation，data balancing，bootstrap（3）建立了新的數據集

2 Related Work

3 Model

前6層用於處理layers to handle misalignment,cross-view photometric and geometric transforms, occlusions and background clutter。

3.1 Feature extraction

第1層是卷積+最大池化層。網路接收兩張不同視角下的行人圖片作為輸入。卷積用來進行光度變化處理。經過卷積，圖片變為一系列局部特徵。之後加max-pooling

3.2 Patch matching

先把圖像分成多個水平條帶，每個條帶分為W個部分。因為圖像已經經過了卷積層（包含k個filter）。我們首先只考慮一個filter生成的feature map。舉例，假設考慮兩幅輸入圖的feature map的第一個水平條帶，且均被分割成W個部分，則兩幅圖之間的W個部分相互組合，會生成一個W*W的矩陣。如果矩陣的某個區域的值比較大（例如坐標為（i，j）），說明圖片一的第一個水平條帶的第i塊與圖片2的第一個水平條帶的第j塊是相匹配的。因為他們是對同一feature的響應，相乘之後的值自然較大。如下圖

3.3 Modeling mixture of photometric transforms

Maxout-grouping layer：將原有信道分為K組，只將每組中最大響應的部分保留。

3.4 Modeling part displacement

卷積+max-pooling

3.5 Modeling pose and viewpoint transform

FC

3.6 Identity recognition

Softmax layer cross-entropy loss