weixin_43994864的博客

论文链接：https://arxiv.53yu.com/pdf/2204.09331.pdf代码链接：https://github.com/haochenheheda/NFormer1. 动机Re-ID的主要挑战之一是，由于外部因素，如不同的相机设置，灯光，视角，遮挡，或内在因素，如服装改变，任何个人的外观通常会发生显著变化。因此，在对应于特定个体的表征中存在高度的身份内变异，导致不稳定的匹配和对异常值的敏感性2. 贡献提出了一个 Neighbor Transformer Network (.

论文链接：https://arxiv.org/pdf/2203.09642.pdf代码链接：https://github.com/Kitware/COAT1. 挑战已有的工作面临着三个主要挑战：在特征学习方面，人脸检测和ReID之间存在着冲突。人检测的目的是学习在人群中泛化的特征，以将人与背景区分开，而ReID的目的是学习在人群中不泛化但能将人彼此区分开来的特征。显著的尺度或姿态变化增加了身份识别的难度。简单的特征融合策略可能会在特征嵌入中引入额外的背景噪声，导致ReID性能较差背景目标或.

K-means聚类算法: 可以为无标签数据赋予伪标签优点：1、原理比较简单，实现也是很容易，收敛速度快。2、当结果簇是密集的，而簇与簇之间区别明显时, 它的效果较好。3、主要需要调参的参数仅仅是簇数k。缺点：1、K值需要预先给定，很多情况下K值的估计是非常困难的。2、K-Means算法对初始选取的质心点是敏感的，不同的随机种子点得到的聚类结果完全不同 ，对结果影响很大。3、对噪音和异常点比较的敏感。用来检测异常值。4、采用迭代方法，可能只能得到局部的最优解，而无法得到全局的最优解。应用：

论文地址：https://arxiv.org/abs/2003.122241. 问题如下图，可以观察到：1）随着时间的推移，视频有重复内容的冗余2）图中可以看到有些内容偶然出现，但是却是判别性元素，如，person 1在 t = 2,3 时红色的鞋3）在不同粒度/尺度能捕捉判别性元素/属性，如，从大的区域（粗粒度）捕捉身体形状，而从小的局部区域（细粒度）捕捉头发风格，然而缺乏有效机制来探索这样的层次特征2. 动机attention模型旨在增强重要特征而抑制不相关特征。它们分别或顺序地学习空.

这篇论文是ECCV2018《Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)》的期刊拓展论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8826008动机提取part-level的特征可以为行人图像描述提供细粒度的信息，这一想法在最近的工作中已经被证明了对人的检索有

在接收的1400多篇论文中，我整理出24篇person reid方向论文，并附带论文下载链接，已经公布代码的论文链接也展示出来，还有没有公布代码的，后期陆续补充。AD-Cluster - Augmented Discriminative Clustering for Domain Adaptive Person Re-IdentificationCamera On-Boarding for Person Re-Identification Using Hypothesis Transfer Learn