开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第28天，点击查看活动详情

论文--Ren M ,  He L ,  Liao X , et al. Learning Instance-level Spatial-Temporal Patterns for Person Re-identification[J]. ICCV, 2021.

摘要

行人重识别(Re-ID)旨在在分离的摄像头匹配行人。大多数的Re-ID方法将其表述为视觉表示学习和图像搜索，因此其准确性受到搜索空间的很大影响。时空信息可以有效地过滤不相关的负样本，显著提高Re-ID的精度。然而，现有的时空行人重识别方法仍然比较粗糙，对时空信息的利用不够充分。本文提出了一种新的实例级时空解纠缠再识别方法(InSTD)，以提高再识别的精度。该框架明确考虑了移动方向等个性化信息，进一步缩小了搜索空间。此外，将时空传输概率从联合分布解纠缠到边缘分布，从而可以很好地模拟离群值。文中给出了大量的实验分析，证明了该方法的优越性，为我们的方法提供了新的思路。该方法在Market-1501上的mAP值为90.8%，在DukeMTMC-reID上的mAP值为89.1%，分别较基线的82.2%和72.7%有所改善。

贡献

l 提出了一种新的实例级方法，以建模时空模式的行人重识别。该方法利用每个行人的实例级状态信息提供个性化的预测。

l 在提出的方法中，实例级时空模式解耦为传输概率和相机之间的时间间隔分布。空间和时间模式变得互补而不是冲突。

方法

两个相机之间的空间约束用相机的传输概率来描述，即两个相机之间的紧密程度。形式上，我们用一个条件概率来模拟传输概率:

但是，在同一相机中出现的人的空间模式可能不同，如图2所示。 为了解决这个问题，将人的实例级状态信息引入到条件概率中 实例级的状态由行人的行走方向表示。例如，DukeMTMC-reID的第一个摄像头的视图如图3所示。该摄像机的状态集包含两种状态:走向红色区域和走向蓝色区域。

实验

行人运动方向：连续五帧确定，从现有的跟踪方法中得到

基线：ResNet50

数据集：Market-1501,DukeMTMC

结果