# 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

![](/files/-L_G1DnCLq7qP0hhIhe_)

* 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

![](/files/-L_G1DnExnfgWGDUWPXR)

![](/files/-L_G1DnGuEHEdOlbZzoZ)

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

## Pose-aware

![](/files/-L_G1DnIf8tnHqz6Gboi)

* 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

![](/files/-L_G1DnK7NosUJ_a7rDg)

* 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

![](/files/-L_G1DnMI0MnaY6OD_vA)

* 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

![](/files/-L_G1DnOfqeorz7Ocuke)

* 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


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://blog.cweihang.io/ml/papers/reid/cvpr-reid.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.