彙總一些最近在公開數據集上刷分比較高的paper和報道：
一些結構上的思想大家可以學習借鑑下。
|
paper |
abstract |
Rank-1 (Market-1501) |
mAP( Market-1501) |
|
澎思科技 Pensees（nopaper）
|
1.金字塔水平分塊策略：採用 human parsing 對人體分割，去掉空集和全集將各子集進行多種方式組合，得到新的特徵圖。 2.訓練階段，借鑑 curriculum learning 思路，參與訓練的樣本按照學習難易度、按順序進入和退出訓練循環，模型在訓練的同時評估各樣本的難度，難樣本比例逐步提升，使得損失函數更易收斂 3.圖網絡結構，網絡在學習行人特徵提取的同時還要學習區分不同部分的人體結構，有的放矢地在這些區域提取特徵並進行池化可以大大減少背景信息造成的干擾。同時使用圖卷積網絡對人體各部分的特徵之關係經行建模可以得到一個人的整體表示，各部分的特徵向量首先堆疊在一起形成特徵矩陣，使用一維卷積分別混洗每行和每列的特徵，讓信息在各部分、各通道之間流動，重複一定次數以後可以得到穩定的整體特徵。 4.在測試階段，除常規距離計算手段，引入重構距離，爲了解決遮擋帶來的精度下降問題，提出線性空間重構，利用參考圖片的信息嘗試儘可能地恢復殘缺特徵圖，恢復後的特徵圖和參考特徵圖之間的距離即爲重構距離。由此可以保證相似的圖片之間可以互相重構，而不同個體的圖片不管怎麼重構都有一定的距離。從而提高了模型應對遮擋情況的能力。 |
96.73 |
89.89 |
|
贏識 WINSENSE（no paper） |
首先，通過採用注意力機制，並結合更加細粒度的基於金字塔的水平分塊策略，來獲取更加具有分辨力的局部區域特徵；在此基礎上結合在線難樣本挖掘技術，通過對參與度量學習和分類學習的特徵進行不同處理，進一步提升特徵分辨力；最後，通過對特徵的約束，提升特徵的泛化能力。 |
96.59 |
91.77 |
|
《Joint Discriminative and Generative Learning for Person Re-identification》 |
將每個人通過生成器分別編碼爲外觀編碼和結構編碼，通過切換外觀編碼或結構編碼，生成高質量交叉ID合成圖像，反饋給外觀編碼，用於改進識別模塊。 |
94.8 |
86.0 |
|
《Perceive Where to Focus: Learning Visibility-aware Part-level Features for Partial Person Re-identification》 |
主要解決局部行人識別問題。利用局部可見感知模型（VPM）利用可見感知的特性，能夠提取區域特徵並比較兩張圖像的共享區域 (共享區域在兩張圖像上都是可見區域)，從而局部行人重識別問題上取得更好的表現。 |
93.0 |
80.8 |
|
《Densely Semantically Aligned Person Re-Identification》 |
將圖像中的行人分爲24個語義身體部分，用二維UV座標識別，然後生成密集語義對齊部分圖像（DSAP-images），訓練的時候用DSAP-images來引導圖像特徵學習。 |
95.7 |
87.6 |
|
《Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-Identification》 |
採用了一種類激活圖（a Class Activation Maps, CAM)來增加基準模型上的激活範圍，尋找更豐富的視覺線索，還提出了一種重疊激活懲罰，迫使當前的網絡分支更多地關注之前較少被激活的圖像區域，從而可以發現空間多樣化的視覺特徵。該網絡中不同的分支會檢測行人不同的位置 |
94.7 |
84.5 |
|
《AANet: Attribute Attentio Network for Person Re-Identification》 |
整合了多種人體屬性和一種叫做attribute attention maps的特徵圖，AANet整合了身體局部區域關鍵的屬性信息到一個學習網絡框架中，包含三個任務：（1）整個身體鑑別任務（2）局部區域檢測任務（3）關鍵屬性檢測任務。使用了任務ID和屬性標籤 |
93.89（resnet-50)
95.10(resnet-152, RR) |
82.45(resnet-50)
92.38(resnet-152, RR) |
|
《Interaction-and-Aggregation Network for Person Re-identification》 |
空間IA模塊通過建模空間特徵的關聯來整合對應相同身體部位的特徵。區別於卷積神經網絡從一個固定的矩形區域提取特徵，空間IA能夠根據輸入行人的姿態和尺度自適應的決定感受野。其次，通道IA模塊通過建模通道特徵的關聯進一步增強特徵表示。 |
94.4 |
83.1 |
|
《Re-Identification with Consistent Attentive Siamese Networks》 |
提出了the consistent attentive siamese network(CASN)，包含了一個識別模塊和一個siamese模塊，識別模塊只通過ID標籤用明確的注意力引導作爲監督尋找感興趣行人的可靠位置信息和預測身份，siamese模塊提供注意力一致的監控信號，確保從兩張圖片中獲得同一行人的空間一致注意區域，從而爲圖像匹配學習視圖不變特徵表示。 |
94.4 |
82.8 |
|
《Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training》（騰訊） |
出了一種新的由粗到細金字塔模型，首先將特徵圖輸入到模型中，通過網絡層數的增加將其不斷進行細分爲更小的部分，它不僅融合了局部和全局信息，而且整合了它們之間的漸進線索。用一種動態訓練方案將identification loss和triplet loss統一起來。 |
95.7 |
88.2 |
|
雲從 CloudWalk 飛龍R2算法(no paper） |
在之前的論文基礎上提出“基於感受野的行人多粒度特徵提取理論” |
96.4 |
91.14 |
|
ReID-2019 Alibaba（no paper） |
該團隊通過局部信息的挖掘，專注於解決行人在識別過程中表觀姿態變化劇烈，不容易對齊的問題。一方面，通過人體得到具有強語義信息的部件，並利用在其中尋找最具有區分性的區域。另一方面，使用了基於金字塔的水平分塊策略，得到行人固定區域的可辨識信息。在訓練中，同時採用兩種策略相結合的方式，達到行人圖片的對齊，從而實現更精準的匹配識別。 |
96.35 |
90.58 |
|
Dahua Tech（no paper） |
基於人體結構的分塊模型，提取顯著的局部特徵；融合多層語義信息，學習不同層級特徵，使得特徵更具表達能力；利用空間注意力模型解決局部特徵對齊問題。 |
- |
88.58 |
