Deep Spatial Feature Reconstruction for Partial Person Re-identification Alignment-Free Approach(nt)

Deep Spatial Feature Reconstruction for Partial Person Re-identification Alignment-Free Approach

部分人重新识别（re-id）

解决遮挡情况下的匹配

提出的方法利用完全卷积网络（FCN）来生成特定尺寸的空间特征图，使得像素级特征是一致的。为了匹配一对不同尺寸的人物图像，因此进一步开发了称为深空间特征重建（DSR）的新方法以避免明确对齐。具体来说，DSR利用流行字典学习模型中的重构误差来计算不同空间特征地图之间的相似度。 这样，我们期望所提出的FCN可以降低来自不同人的耦合图像的相似性并增加来自同一人的耦合图像的相似性。两个部分人数据集的实验结果证明了该方法的效率和有效性，并与几种最先进的部分人重做方法相比较。此外，它在基准人数据集Market1501上取得了有竞争力的结果，Rank-1的准确率为83.58％

由于实际中的遮挡现象频繁，无法每次都获得完整的行人图像。所以有了基于patch的研究。

滑动窗口匹配（SWM）[33]通过设置与探测图像尺寸相同的滑动窗口并利用它来搜索每个图库图像中最相似的区域，确实为部分重新引入了一种可能的解决方案（参见图（b））。但是，如果探查人员的人数大于图库人员的人数，SWM将无法正常工作。

受到字典学习在人脸识别方面取得的显着成功的启发[13,23,28]，我们开发了一种名为Deep Spatial Feature Reconstruction（DSR）的端到端模型，该模型预计探测空间地图中的每个像素可以在整个画廊空间地图的基础上进行稀疏重建。 以这种方式，该模型与图像大小无关，这自然会跳过费时的对齐步骤。 具体而言，我们设计了一个FCN的目标函数，它鼓励从相同人物提取的空间特征地图的重建误差较小，而来自不同身份的空间特征地图不能很好地重建彼此（即较大的重建误差）。 总的来说，我们工作的主要贡献总结为四个方面：

然后由FCN提取，其中θ表示FCN中的参数。 x表示向量化的w×h×d张量，其中w; h和d分别表示x的高度，宽度和通道数量。如图3所示，我们将x分成N个块xn，n = 1; ：：：; N，其中N = w×h。the size of each block is 1 × 1。

那么xn可以用Y的线性组合来表示。也就是说，我们试图搜索相似的块来重建xn。 因此，我们希望求解关于Y的xn的稀疏系数wn，其中wn 2 RM×1。 由于预期用于重建wn的几个块，我们使用L1范数来约束wn。 然后，稀疏表示公式被定义为

部分人与整体人之间的尺度容易不匹配，从而导致性能下降。

在第二部分3.2，我们使用单尺度块（1×1块），它对于尺度变化不是非常健壮。为了减轻尺度失配的影响，DSR也提出了多尺度块表示（见图6）。在我们的实验中，我们采用3个不同的尺度块：1×1,2×2和3×3，并以滑动窗口方式提取这些块（步幅为1块）。

为了保持尺寸一致，通过平均汇聚将2×2和3×3块调整为1×1块。结果块全部集中在块集中。多尺度块表示的主要目的是提高尺度变化的鲁棒性。实验结果表明，这样的处理阶段可以有效地提高部分人员的工作绩效。