# CVPR2016 Re-id

## Part-based-CNN

* DataSet: i-LIDS, PRID2011, VIPeR and CUHK01
* 同时调整特征提取和距离测量公式的参数
* 提取身体部分的特征和全身特征作为一个特征

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnCLq7qP0hhIhe_%2Fpart-base.png?generation=1551842734617263\&alt=media)

* 使用[triplet loss](http://blog.csdn.net/tangwei2014/article/details/46788025)，同时缩小类内差异，增大类间差异

## Spatial Constraints

* 提取身体部分特征和全身特征共同计算相似度

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnExnfgWGDUWPXR%2Fspartial-contraints-1.png?generation=1551842734370210\&alt=media)

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnGuEHEdOlbZzoZ%2Fspartial-contraints-2.png?generation=1551842734436351\&alt=media)

* dataset:VIPeR, GRID, 3DPES, Market-1501

## Pose-aware

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnIf8tnHqz6Gboi%2Fpose-ware.png?generation=1551842734486126\&alt=media)

* 根据移动路径判断姿态，对其他姿态图像做推断，并用推断结果做match
* CUHK02 \[12] and VIPeR \[8], iLIDS-Vid \[19], PRID 2011 \[9] and 3DPeS \[3]

## Hierarchical Gaussian Descriptor

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnK7NosUJ_a7rDg%2Fhgd.png?generation=1551842734737917\&alt=media)

* 对图片做切片，找一个能描述切片像素数据分布的高斯分布
* 逐级整合各个切片的高斯分布
* VIPeR \[12], CUHK01 \[20], GRID \[26], PRID450S \[33] and CUHK03 \[21].

## RNN-CNN

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnMI0MnaY6OD_vA%2Frnn-cnn.png?generation=1551842734727953\&alt=media)

* 两组图片，分别通过CNN+RNN得到特征
* 特征分别用identity目标做优化，用recognize目标做优化
* iLIDS-VID and PRID-2011

## Cross-Dataset Transfer Learning

* 用一个有标签数据集训练特征表达模型，分解出数据集共用的模式和数据集独有的模式
* 字典学习，找到各个数据集共用的字典
* 将模型应用在无标签无监督聚类上
* VIPeR PRID CUHK01 CAVIAR iLIDS

## domain-based-cnn

![](https://1274047417-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-L_G0aSn1Ck9aGSTDmHR%2F-L_G1BDIg9dyfMtC4gJK%2F-L_G1DnOfqeorz7Ocuke%2Fdomain-based.png?generation=1551842734641783\&alt=media)

* 先将所有数据集混合在一起，训练CNN做分类
* 逐个去掉神经元，观察在不同数据集中损失函数的变化，变化少的说明这个神经元对这个domain没用
* 对每个神经元，根据神经元对loss的影响，设置一个因数据集不同而不同的dropout值
* 实现对不同数据集有不同的预测能力
* CUHK03，CUHK01，PRID，VIPeR (I cannot find the link to the original dataset. This is my previous backup version.)，3DPeS，i-LIDS (I cannot find the link to the original dataset. This is my previous backup version.)，Shinpuhkan (need to send an email to the authors)

## Video-Based-Top-Push-Multi-shot

* 多匹配
* 按匹配程度排序，避免因顺序或者帧刚好错开导致的低效匹配和误判
* PRID 2011 \[8] and iLIDS-VID

## Distance-metric:null-Foley-Sammon-transfer

* 将同个人的所有图的特征投射为一个点（同个类中的特征是可以被投射到一个点中的）
* 使得不同人的点的距离尽量远
* 将这个方法应用在re-id上
* VIPeR \[11], PRID2011 \[14], CUHK01 \[19], CUHK03 \[19] and Market1501

## 根据样本调节距离函数-SVM

* 学习一个SVM模型做分类，从中学到两个字典和一个映射矩阵，通过这三个东西，关联特征空间和权重空间
* 权重即为距离测量时用到的参数
* VIPER, QMUL GRID, PRID, CUHK01, CUHK03，OpeRID