Person ReIDIntra-Camera Supervised Person Re-Identification 论文解读

Posted 2022-08-01 浅然言而信

论文名称：Intra-Camera Supervised Person Re-Identification

论文链接：链接

目录

一、存在问题

二、贡献

三、实验结果

---

一、存在问题

目前行人重识别考虑跨相机身份信息关联问题，

全监督情况下这需要繁琐的标记身份信息，在单摄像头下的身份标注是比较简单的（例如通过一个简单的行人追踪方法就可以获得比较好的伪标签），但是在多摄像头下的行人身份匹配标注是非常困难的。

如下两幅图的(a)分别表示全监督标注信息，而(b)则表示该篇论文标注方法，只需要单摄像头内标注即可。

二、贡献

该篇论文提出了摄像机域内监督（ICS）行人重识别方法

步骤 

1. 对于不同摄像头下数据集（Cam.1、Cam.2...）共享一个backbone（特征提取器）
2. 每个摄像头下的数据集提取特征后，分别执行单独的全链接层分类任务（分类损失优化）（损失函数利用了交叉熵损失）
3. 进行不同摄像机下的特征进行循环匹配，匹配方式即cam1下p1与cam2下p1为同一行人，那么如果cam1的p1在cam2下最相似图为p1且cam2下p1在cam1下最相似的图也为p1则两者成功匹配，并在Multi-label annotation中为之打上新标签。否则不加新标签，实现多标签标注
4. 将新学习的标签更新到训练数据集中由网络进行迭代，再次使用softmax cross-entropy更新，其公式如下：

   

 

最终的模型损失函数是由两个模块损失函数的线性叠加，其公式如下：

三、实验结果

 

 可以看到该方法比大部分跨域或无监督方法要好，但比有监督学习方法还有差距，但该任务更贴近于现实。