AlignedReID

旷视的AlignedReID，很有意思。

The end-to-end learning with structure prior is more powerful than a “blind” end-to-end learning.

reid难点：

目前triplet loss等用的比较多。Combining softmax loss with metric learning loss to speed up the convergence is also a popular method. 还有一些考虑局部特征如pose和part的方法，具体见论文。

AlignedReID

注意local feature就是先做一个方向的global pooling（垂直纸面方向），然后用1*1卷积降低通道数到128，这样就把图片中水平的信息在图片的宽度方向上进行了叠加。global feature用L2计算距离，local feature采用：

左上角到右下角的最短路径长度就是local feature的长度，可以用动态规划法求解：

注意fig 3中有的边是没用的，如A的1连B的1，其实是不匹配的。但是在设计dij的公式时，使得不匹配的地方L2差别大，梯度小，这样在训练时还是主要在缩小匹配部分的距离，不匹配的地方不太起作用。使用TriHard loss进行训练。而测试时只使用global feature来计算距离，因为local feature和global feature的联合训练实际上也优化了global feature，使得它almost as good as the combined features（当然也有可能是local的距离中包含了不匹配的部分，这部分在训练时可能影响不大，但是测试时对总的loss计算有干扰？）。

mutual learning

metric loss： both the global distances and the local distances
metric mutual loss： only the global distances.
classification mutual loss： KL divergence
就是说使得不同网络的分类loss和metric loss之间的差别变小，使得这些网络共同进步。the weight of classification mutual loss (KL) is set to 0.01, and the weight of metric mutual loss is set to 0.001.

re-ranking
Re-ranking Person Re-identification with k-reciprocal Encoding

第一行： directly using the top-k ranked images may introduce noise.
第二行：the probe is a reciprocal neighbor to the true matched images, but not to the false matches.

When two images are called k-reciprocal nearest neighbors, they are both ranked top-k when the other image is taken as the probe. Therefore, the k-reciprocal nearest neighbor serves as a stricter rule whether two images are true matches or not.

具体怎么计算呢：

然后就是一堆算法设计了，不赘述。

今天的文章AlignedReID分享到此就结束了，感谢您的阅读。