一. 論文背景

論文：AlignedReID: Surpassing Human-Level Performance inPerson Re-Identification 【點選下載】

Caffe程式碼：【Github】

首先通過下圖來看ReID面臨的問題：

由於檢測框不準確（a-b）,姿態變化（c-d），遮擋（e-f）和 近似外觀（g-h）。

為了解決以上問題，一些研究將重心放在part-based learning，在整體特徵無法準確描述的情況下，利用區域性特徵來強調差異。

區域性特徵有很多方法，最常用的 水平劃分，PAR（基於FCN），AttentionModel，RPP 等。

演算法提到了兩個創新點，動態對齊（Dynamic Alignment）和 協同學習（Mutual Learning），演算法在Market1501和CUHK03上的Rank-1達到了94.0%和96.1%，首次在行人再識別問題上超越了人類表現。

二. 演算法描述

最關鍵的 Aligned ReID 框架圖，下圖是不包含 Mutual Learning 的情況：

這裡面 N 為一個Batch（論文中N=128），通過一個共享的特徵提取層後，分別提取區域性特徵和全域性特徵，通過N*N的距離矩陣描述，計算triplet loss。

在一個min-batch中，通過global distance計算距離，選擇 相同標籤差異最大、不同標籤差異最小的

2.1 動態規劃

動態規劃實際是為了解決兩幅影象之間的 Part對齊問題，如圖 [part1]<->[part4]

1）Part model能夠對目標特徵進行細粒度刻畫，是非常必要的

2）最短路徑包含非相關特徵（如part1<->part1），這非但不會對結果造成影響，而且還會對維護垂直方向對齊的次序起著至關重要的作用。
即 路徑規劃本身隱含了自上而下的順序。
注：非相關特徵距離d比較大，其梯度接近於0，因此對於最短路徑的貢獻是比較小的。
有興趣的同學可以參考下面的公式證明一下。

3）路徑規劃過程
先來看part距離公式（H表示水平劃分，文中已驗證最好的H=6）：

規劃從（1,1）到（H,H）的最短路徑，參考公式：

規劃得到的SH,H最短路徑即是兩幅影象最佳的Local 匹配。

2.2 協同學習

協同學習的框架：

1） 通過兩個網路（上圖θ1和θ2）實現 Mutual Learning
每個網路又包含 Classification Learning和 Metric Learning，用於分類和距離度量。
通過 Classification Mutual Loss 和 Metric Mutual Loss 實現協同學習。
注：兩個網路相互學習，沒有主次之分。

2）預測階段，只用到了全域性特徵，沒有采用區域性特徵
原因在於，通過協同學習，提取的全域性特徵在區域性特徵影響下，已經能夠準確描述影象，和區域性特徵並無區別，作者通過實驗驗證（僅在小gallery上Rank-1有所提升，0.3-0.5%）。
當然還有一個原因，就是全域性特徵的提取更快，一致性描述更強。

3）Batch解構
對於一個Batch內N幅影象，通過global distance計算兩兩之間的距離，得到N*N的距離矩陣M，其中Mi,j表示影象（i，j）之間的距離，Mutual LearningLoss定義為：

2.3 Re-Ranking

重排序對於ReID來講通常是非常必要的，能夠顯著提高準確率，本文采用的Re-Ranking方法並無不同，本節不展開。

三.實驗結果

演算法在測試過程中已經超過了人類的認知，在典型資料集上表現也非常不錯。和state-of-the-art 方法的對比：