论文笔记 Pose-driven Deep Convolutional Model for Person Re-identification_tianqi_2017_ICCV

1. 摘要

为解决姿态变化的问题，做者提出Pose-driven-deep convolutional model（PDC），结合了global feature跟local feature， 而local feature 还用一个feature weight network（FWN） 进行重要性程度度量，在经常使用reid数据集 CUHK03 、Market150一、viper 上面取到了很是好的效果。

2. 介绍

这个PDC模型有两个比较重要的子网络:FEN FWN；最后整合global feature 和 local feature 用一个softmax loss进行分类。 （1）FEN主要是把原始的图像进行姿态估计，找出14个关键点，而后基于这个14个关键点把行人分红6 parts 而后其中还有一个PTN 的网络把6 parts进行一个变换，整合成一张新的行人图像。 （2）FWN 对通过一系列CNN 的modified image学习每一个part的权重表示

本文的主要贡献：

（1）提出PDC 模型，其中的FEN子网络对行人进行关键点检测，对parts进行处理 （2）FWN子网络，经过赋予行人每一个part一个不一样的权重来凸显有判别力的part，而且避免引入没必要要的噪声

3. 方法

PDC模型的framework 以下           FEN子网络说明以下 FEN中的PTN具体结构     local feature 通过FWN同global feature 整合的过程图

4. 实验

（1）证实global feature 同local feature 结合的有效性、通过子网络FEN处理的有效性、通过FWN处理的有效性； PDC模型（结合上述全部的处理）的结果最佳 （2）在经典数据集上同state-of-the-art 方法的比较 CUHK03 数据集上的比较（取得最好的结果） Market-1501数据集上的比较（取得最好的结果） VIPeR数据集上的比较（结果比spindle net稍差，多是训练数据集数量不够多） （3）FWN子网络的设计实验（实验代表一个卷积层+一个非线性变换最佳） local feature同global feature 整合过程通过FWN子网络处理后的变化展现

5. 结论

文章的PDC模型证实了body parts cue 对Reid 仍是起到至关大的做用。PDC模型经过整合global feature and local feature 并用一个子网络FWN对part部分的权重进行计算，效果甚佳。

6. 评价

模型效果很好。只是模型稍微显得有点多：其中包含了通常的CNN模型提取特征，还有FEN子网络对人体的关键点进行估计， 再对人体的parts进行变换，而整合；以后仍须要经过一个FWN子网络估计行人的各个part对Reid 的做用程度。 不过很是有意思的是FWN子网络，认为不一样的part对Reid的影响不一致，从而为parts分配一个权重，这个有利于加强具备分辨力 的part，抵制噪声的加入，很是好。

7. 参考

Pose-driven Deep Convolutional Model for Person Re-identification