ECCV2018-Person Re-identification with Deep Similarity-Guided Graph Neural Network

ECCV2018-Person Re-identification with Deep Similarity-Guided Graph Neural Network

一、摘要分析
行人再识别任务目的是从gallery中找到与query最相似的行人图片。现在的方法只考虑了query与gallery之间的关系，忽视了gallery中图片之间的关系。本文设计了Similarity-Guided Graph Neural Network(SGGNN)网络，利用gallery中图片之间的关系来调整query与gallery之间的关系，从而得到更加准确的匹配结果。

二、整体的网络结构

三、图中的结点

query与gallery中的图片i，经过Siamese ResNet-50网络，分别得到了其对应的特征，然后两个特征对应位置相减、平方、批归一化后得到图中结点的特征di
该分支网络通过交叉熵损失函数计算损失，并且通过Adam优化器去优化模型

其中f()为一个线性分类器+sigmoid函数，从而得到了query与gallery i之间的一个相似性的概率。yi表示：若query与gallery为同一个人，则yi为1，否则为0.

四、图中的边
图中结点i与结点j之间的边表示为Wij，

S()为一个相似性估计函数，用来估计结点i与结点j中gi与gj的相似性得分。可以用欧氏距离之类的。

五、图中结点的更新

得到di之后，可以通过两层全连接网络得到ti
公式中α设置为0.9。论文中有说到，更新多次结点的效果和更新一次结点的效果差不多，所以论文中也只是更新了一次结点。

六、实验细节
图片大小全部resize为256128，采用随机翻转以及随机消除来扩大数据集。
初始模型的学习率为0.01，50代后学习率为0.001。
训练阶段，选取了M个人并且每个人选取了K张图片作为一个mini-batch，其中选择K个query，K(M-1)个node，训练阶段K为4，M为48。
在测集阶段，提取了图片特征后，用欧式距离，计算了top-100作为gallery。