时间： 2021年01月14日（本周四） 09 : 00
地点： 望江校区基础教学楼B座318实验室
研读成员： 明章强
分享者： 明章强
分享内容：
[1]Luo H, Gu Y, Liao X, et al. Bag of tricks and a strong baseline for deep person re-identification[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2019: 1487-1495.
[2]Luo H, Jiang W, Zhang X, et al. AlignedReID++: Dynamically matching local information for person re-identification[J]. Pattern Recognition, 2019, 94: 53-61.
[3]Zhang X, Luo H, Fan X, et al. Alignedreid: Surpassing human-level performance in person re-identification[J]. arXiv preprint arXiv:1711.08184, 2017.
论文简介：
[1]近年来，具有深度神经网络的人员重新识别(Re-ID)取得了进展并取得了高性能。但是，许多最新的方法都设计了复杂的网络结构并连接了多分支特征。为了进行比较，本文归纳在ECCV2018和CVPR2018上发表的文章。大多数以前的工作都是在较差的基准上进行的。有些作品与其他最新方法相比不公平，改进往往来自训练技巧，而不是方法本身。本文将归纳和评估目前有效的Re-ID训练技巧，包括预热学习率(Warmup)、随机擦除数据增强(REA)、标签平滑(LS)、批次归一化Neck(BNNeck)和中心损失(Center Loss)。通过将这些技巧结合在一起，并设计一个强大的行人重识别基线(Re-ID Baseline)，该模型仅使用全局特征即可在Market1501上实现94.5％的rank-1和85.9％的mAP。
为此，本文提出了一种新颖的Re-ID框架，称为AlignedReID ++，该框架包含一个局部特征学习分支和全局特征学习分支，其中局部分支可以指导全局分支学习更多有区别的全局特征。并提出一种称为动态匹配本地信息(DMLI) 的新方法，该方法可以动态对齐水平条纹，而无需额外的监督或显式的姿态估计。所提出的方法可以轻松地应用于几乎所有基于CNN的人员Re-ID框架。在某种程度上，DMLI可以解决由于错误的行人检测框，变化的视角，遮挡等导致的人体姿势变化。
