CVPR2019行人重识别论文笔记1812.02162：Dissecting Person Re-identification from the Viewpoint of Viewpoint
CVPR2019行人重识别论文笔记系列
- 构建了新型的三维合成数据生成器PersonX。
- 利用PersonX生成的数据集探讨了视点对识别效果的影响程度。
PersonX采用了Unity平台作为基础开发而成。其中包含了1266个细致的人行模型，并且包括了547位女性角色和719位男性角色。这些角色涵盖了不同穿着风格、行走姿态多样性和人口统计特征。
环境因素：
光照设置包括多种光源类型（如阳光、点光、聚光等），支持调节明暗与色彩平衡以适应不同拍摄需求。
相机设置则涉及图像分辨率调节与尺寸选择以满足不同拍摄效果的需求。
支持预设六种不同的背景风格：
- 前三种为单一色调背景，
- 中间三种模拟城市街景，
- 最后一组场景中包含阴影元素以增强真实感和空间感。
视点：实现了36个视角（0到360度间隔10度）
PersonX方案可行性验证：
研究者基于IDE+工具平台和三元特征模型，在三个知名数据集（包括Market-1501、Market-1203及DukeMTMC）上进行了系统性地训练与测试过程，并将实验结果与PersonX方案进行对比分析。
A源自于真实-world 数据集的表现,B源自于PersonX系统的表现,评估指标以mAP量化,结果显示,Personsx的学习效能明显优于真实-world 数据集,即便在分辨率较低且环境复杂的情况下。存在疑问:作者通过Personsx进行了训练与验证,但并未在真实-world条件下进行测试与验证,这使得我们无法确认该网络的实际效能是否可靠。欢迎评论交流解答
作者基于训练集、查询集合(query set)、画廊集合(gallery set)等多维度进行视角影响的研究。
实验A与B分别构成四个训练集：首先通过随机选取一个行人的十八张图像作为第一个训练集；其次通过随机选取该行人十八个不同角度作为第二个训练集；再者仅选择行人正侧两个观察方向作为第三个训练集；最后仅选择行人正后方两个观察方向作为第四个训练集。实验结果表明：当缺少特定观察视点时会影响模型性能；当缺少连续的观察视点时对模型性能的影响更加显著；而正侧两个观察方向能够获得更好的分类效果。C组与D组的实验结果显示与A、B组具有相似性。查询集：
左右两视点的查询集获得的准确性更高。
画廊集：
通过采用正确方向的查询集与画廊集进行匹配操作，能够实现最佳的效果。在画廊集合内存在这样一种现象：那些在视角上较为接近但未完成配对的照片（即所谓的"不匹配图片"），有时会比那些在视角上有较大差异但却成功配对的照片（即所谓的"真匹配图片"）更容易被成功配对。值得注意的是，在图像质量较差的情况下，则会进一步加剧了该现象的影响程度。
完结撒花！
欢迎大家评论吐槽！