CVPR2019 行人重識別
Dissecting Person Re-identification from the Viewpoint of Viewpoint
原文鏈接：https://arxiv.org/abs/1812.02162
這篇文章主要有兩個貢獻：
1. 提出了生成行人圖片的數據生成器
2. 基於該數據生成器，研究了視角對於REID的影響
分別聊一聊
一、數據生成器
該數據生成器在1266個手工設計的3D行人的基礎上實現。所以並沒有直接生成新的行人的功能。
該數據庫的主要功能是產生每一個人物36個角度的圖片，如下圖。
在此基礎上，利用該功能研究視角對於REID的影響。
另外，該數據生成器可以改變生成圖片的背景、光照、角度。用原文的話說就是editable。如下圖。
爲了證明這個數據庫具有實際意義（可能作者看了這個生成圖片自己也心虛）。使用了幾個常見的REID算法對該生成數據庫（Person X）以及其它常用數據庫做了實驗。發現Person X數據庫和其它數據庫對於不同算法的性能指標具有相似的變化規律，所以Person X數據庫具有實際意義。
PS:？？？感覺並沒有什麼關聯…強行做一個實驗的感覺。不敢苟同。
二、視角對REID性能的影響
實驗過程很無聊，沒什麼可說的。
直接放結論：
訓練集：
- 缺少一些視角會影響性能。
- 在缺少相同數量視角的情況下，連續缺少一些視角（如0度、10度、20度）比隨機缺少一些視角（如100度、180度、300度）對性能影響更嚴重。
- 對應圖一，如果訓練數據有限，那麼left和right視角的更好。
query:
left和right視角的query的準確性更高。
gallery:
- gallery中視角相似的不匹配圖片有時候會比視角差距大的真匹配圖片更容易匹配。
- 當圖像效果不好（複雜背景、極端光照（不知道是什麼鬼）、低分辨率），1中的問題更嚴重。
看完第一感覺，這也可以發頂會？不過靜下心來，還是要向大佬學習這種新思路。做一個課題未必要不斷用tricks刷新準確率，有時候對影響課題的一些因素做一些定量分析也是一件很值得的事。
完
歡迎討論，歡迎吐槽。