论文阅读: Interpretable and Generalizable Person Re-Identification with Query-Adaptive Convolution

ECCV2020的一篇文章, 关于可泛化行人重识别. 提出了"查询自适应卷积"和"时序提举". 其中"查询自适应卷积"方法比较新颖, 放弃了传统的对高层特征进行分类, 计算损失的方法; 转而关注中间的特征图对一个class_memory的匹配, 一次来提升模型对未知场景的泛化能力. “时序提举"不多介绍, 比较容易理解, 主要的思路是利用"同伴”, 来提升或者降低一个候选图片的置信度.
作者本人对论文的介绍

文章中的关键词

• generalizable person re-id: 可泛化行人重识别
• finding local corespondences: 查找局部联系
• among different domains: 跨数据库, 跨场景
• more generalizable than representation features to unseen scenarios, including unkown misalignment, pose of viewpoints changes: 对于未见场景, 不对齐, 姿态变化的泛化能力更强
• 作者在论文介绍中讲的比较清楚, 使用了以下的关键理解:
  关于泛化性我们先从卷积讲起。卷积可以理解为一个模板匹配的过程，它的卷积核是模板，该模板既可以是预定义的，如传统的差分滤波用于边缘检测，也可以是学习得到的，如 CNN。卷积核通常是一个局部模板，卷积操作则是将该模板在全图滑动，得到的输出则是图像各处对该模板的匹配响应，大的响应则代表较好的局部匹配。因此，在深度卷积神经网络里，要学习的卷积核参数是很重要的，它决定了该网络要寻觅的是