Abstract
之前的研究工作主要集中通过行人的外观特点构建一个鲁棒性的向量描述，或者通过标签向量来学习具有判别性的距离度量。本文提出一种新的模式，将特征描述从特征向量转换到差异矩阵。特别地，为了更好地识别一个人，它将距离度量从向量度量转换为矩阵度量，矩阵度量由类间差异投影 intradiscrepancy projection和类内差异投影部分 interdiscrepancy projection组成。引入一致项和判别项，形成目标函数。为了有效地解决这个问题，我们使用了一个简单的梯度下降法在交替优化过程中对两个投影。在公共数据集上的实验结果表明该方法的有效性。
Inroduction
这篇文章的贡献主要有以下几点：
1）从特征向量到差异矩阵。我们提出了一种描述行人图像的新思路，用与一组图像的差异来表示行人图像，而不是图像本身的特征。结果表明，与特征向量相比，差异矩阵具有更好的识别性和有效性；
2）从向量度量到矩阵度量。提出了一种由类间差异投影部分和类内差异投影部分组成的行人重识别任务矩阵度量方法。在训练阶段，同时考虑一致性约束(将两个差异矩阵从同一个人身上拉出)和判别性约束(将两个差异矩阵从远处推到不同人身上)来学习矩阵度量；
3）一种新的模式：我们提供了一种新的行人再识别模式，它通过差异矩阵和矩阵度量（Discrepancy Matrix and Matrix Metric）重新识别和排列图像。 对基准数据集的广泛实验评估证明了所提出模式的有效性。 值得注意的是，所提出的行人再识别模式独立于特征描述符的选择。 结合最先进的特征提取方法，例如深度学习方法，可以获得更好的结果。
a：特征描述
之前的工作所用的特征主要有：ensemble of localized features (ELF)、 symmetry-driven accumulation of local features (SDALF)、 salient color-name-based color descriptor (SCNCD) 、local maximal occurrence (LOMO)、 Gaussian of Gaussian (GoG) descriptor 、 deep convolutional neural network (CNN)approaches。
b：距离度量
还有许多工作来学习最佳匹配度量，在该度量下，属于同一个人的实例比属于不同人的实例更接近，比如 probabilistic relative distance comparison(PRDC)、 keep it simple and straightforward metric learning (KISSME)、 locally adaptive decision functions(LADF)、local Fisher discriminant analysis (LFDA)、 cross-view quadratic discriminant analysis (XQDA)。一般而言，多数方法会学习一个度量矩阵M，然后图像对
reference descriptor（RD）：他们引入了一个参考集，并从参考集中选择典型的身份来重构每个人。重构权重被用来描述相应的行人。在我们看来，RD方法侧重于发现与参考身份整体的全局和粗粒度重建关系，并忽略其与每个参考身份的每个部分的局部差异关系，其具有细粒度并且可能包含重要信息。 我们将差异关系命名为差异。
假设行人的特征向量的不同位置代表相应行人的属性。I1中的行人特征向量：蓝T恤，没有带东西，长黑裤子。本文中，我们通过该行人图像与其他行人图像的差异来表征该幅图像特征，如图右所示。为此，两个图像的每个差异可以表示为特征向量的差异。
PROBLEM STATEMENT AND MOTIVATION
A. Feature and Vector Metric
传统的行人再识别问题涉及两个摄像头中带标签的行人图像，分别表示摄像头A、B的行人图像中的代表性特征，然后通过特征向量学习一个距离度量矩阵L。通过计算检索库和图像集中的距离（使用1式）再进行排序。
B. Discrepancy Matrix