【行人重识别】MGN

行人重识别(Person Re-idenfication,Person ReID)是判断图像或者视频序列中，是否存在特定行人的技术，也称跨境追踪技术。尽管人脸识别技术已经十分成熟，但在人群密集、监控摄像头分辨率低、拍摄角度较偏等情况下，人脸无法被有效识别。行人重识别变成了重要补充。

Multiple Granularity Network (MGN)是1个将全局信息和各粒度局部信息结合的端到端特征学习策略。

论文地址：https://arxiv.org/pdf/1804.01438

项目地址：https://github.com/GNAYUOHZ/ReID-MGN

目录

一.方法

1.网络结构

2.Loss函数

二.实验

1.数据

Market-1501

DukeMTMC-reID

CUHK03

2.结果

一.方法

1.网络结构

MGN的网络机构如下图所示。

输入图像尺寸：384*128，每个mini-batch选取P=16个人，每个人K=4张照片。

从resnet-50的res_conv4_2分为3个分支，提取全局和部分特征。

•global branch

在res_conv5_1中使用stride=2的卷积进行下采样，对得到的feature map采用global max pooling生成2048维的特征向量，并利用1*1的卷积压缩为256维的特征向量。

•Part-N Branch

Part-N Branch分支用于学习局部的特征表示，为了保留适合局部特征的感受野，没有使用下采样。通过在水平方向上均匀的将feature map划分为N块，并利用global max pooling和1*1卷积来得到对应的局部特征，N越大粒度越细。

Part-2 Branch分支中，N=2，可以理解为将行人分为上半身和下半身；Part-3 Branch分支中，N=3，可以理解为将行人分为上，中，下3个部分。

在测试的时候，将3个256维的全局特征向量和5个256维的局部特征向量concat起来得到的2048维向量作为行人的特征表示，用于相似性搜索。

2.Loss函数

将用于分类的softmax函数和用于度量学习的三元损失函数（triplet loss）用作训练过程中的损失函数。