Lei的博客

1 简介  这是一篇综述性文章，本文从closed-world和open-world两个方面较细致地分析了Re-ID，并展望了前景。这次的心得写得较长，也算是一个总结。  首先，作者通过将Re-ID分为封闭世界(closed-world)的ReID和开放世界(open-world)的Re-ID来陈述，如下表，通俗地说，closed-world指的就是较为理想的环境下的实验，比如单模态的数据集、正确框出的行人box，open-world指的是更贴近现实应用场景的实验，比如跨模态、直接利用原始视频流或图片帧

1 标题  Infrared-Visible Cross-Modal Person Re-Identification with an X Modality 来源：AAAI 20202 概述  本文也是一篇跨模态ReID(cm-ReID)，和上周的那篇结合特有特征和共享特征的cm-ReID相比，本文在两个数据集上的表现并不如前者，不过也是提供了一种思路吧。  本文的思路和做法巧妙而简单，跨模态ReID是个很难的任务，因为模态之间的差异或者说gap较大，为了减小gap，作者引入了一个介于RGB和红外图

文章目录1 标题2 概述3 创新点4 算法及实验4.1 模型及算法双流特征提取器(Two-stream feature extractor)共有-特有转移网络(Shared-Specific Transfer Network,SSTN)①亲和力模型(Affinity modeling)②共享和特定信息的传播共有-特有互补学习(Shared and specific complementary learning)①共享特征的模态自适应②特定特征的投影对抗学习③重建增强优化4.2 实验5 心得1 标题  C

1 标题  Person Re-Identification by Deep Joint Learning of Multi-Loss Classification 来源：IJCAI 2017  日期：7月6日2 概述  发文当时(2017年)，用特征提取做REID的学者很多，但这些工作往往仅通过全局(global)特征或局部(local)特征实现。全局特征和局部特征之间存在一定的互补性，合理结合两种特征，能达到一加一大于二的效果，且在捕获信息时，同时观察全局信息和局部信息更贴近人类视觉系统。  为

1 标题  COCAS: A Large-Scale Clothes Changing Person Dataset for Re-identification 来源：CVPR 2020  日期：06月30日 周二2 概述  现存的绝大多数REID数据集中，单一行人的着装是相同的，然而在实际生活中，换衣服是不可避免的，想要REID算法落地投入应用，更不能回避行人着装变化的情况。  为此，文章贡献了新的换衣数据集COCAS(ClOthes ChAnging Person Set)，数据集中同一行人有多

1 标题  AdderNet: Do we really need multiplications in deep learning 来源：CVPR 2020  日期：06月26日 周五2 概述  在计算机运算中，乘法耗费时间和硬件资源，而加法又快又省，CNNs中的卷积等操作都涉及大量的浮点相乘，神经网络真的需要乘法吗？为此，文中提出了加法器网络adder networks(AdderNets)，用L1距离作为filter和feature的相似度量，摒弃原来的乘法运算，以减少神经网络运算的代价。此外，

1 标题  Unsupervised Person Re-identification via Multi-label Classification 来源：CVPR 2020  日期：06月16日 周二2 概述  本文提出了一种基于多标签分类的无监督(unsupervised)行人重识别方法，将无标签的REID任务变为多分类问题，从而找到图像真正标签。和之前的无监督方法不同，本文提出的方法使用多标签分类损失来更新网络，所以它并不依赖于标记好的数据(labeled data)和性能较好的预训练模型(go