Re-ID: Person Re-identification by Local Maximal Occurrence Representation and Metric Learning 论文解析

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/linwh8/article/details/78556771

注: 刚刚看完了这篇论文，顺便整理了一下这篇论文的思路，对论文的方法表示666

项目主页：http://www.cbsr.ia.ac.cn/users/scliao/projects/lomo_xqda/

---

论文解析

• 行人重识别有两个特别重要的问题：
  
  • Feature representation
  • Metric learning

• 在这篇论文中，作者采用的是LOMO的特征表示方法，以及XQDA的度量学习方法

  • LOMO：Local Maximal Occurrence Representation, 工作原理如下：

    • The LOMO feature analyze the horizontal occurrence of local features, and maximizes the occurrence to make a stable representation against viewpoint change. Besides, to handle illumination variations, we apply the Retinex transform and a scale invariant texture operator.
    • 首先，使用Retinex algorithm 对图片进行预处理，减少光照对重识别带来的影响
    • Retinex considers human lightness and color perception. It aims at producing a color image that is consistent to human observation of the scene

    • 

    • 从效果图中可以看到，在a中不同view下illumination的差异在b中基本被消除了，这一定程度上减少了光照对重识别带来的影响

  • 接着，对使用Retinex algorithm得到的Retinex image使用HSV color historgram提取颜色特征
  • 除了color description, 作者还采用Scale Invariant Local Ternary Pattern(SILTP)的方法获得illuminaton invariant texture description
  • 以上主要解决illumination change的问题，接下来要解决viewpoint change的问题
    
    • 在之前的工作中，有论文proposed：equally divided a person image into six horizontal stripe, and a single histogram is comouted in each stripe.
    • 虽然这种方法在一定程度上可以减轻viewpoint change带来的影响，但是这种方法可能会导致空间细节的丢失，进而影响其判别的能力
    • 因此，作者提出使用silding windows来完成描述的工作：
      
      • Specifically, we use a subwindow size of 10X10, with an overlapping step of 5 pixels to locate local patches in 128X48 images. Within each subwindow, we extract two scale of SILTP histograms, and an 8X8X8-bin joint HSV historgam. Each histogram bin represents the occurence probability of one pattern in a subwindow. (首先用10X10的silding windows，以步长为5进行滑动，然后对移动后的每一个subwindow提取三个直方图，直方图的每个bin代表对应pattern的出现概率)
      • To address viewpoint change, we check all subwindows at the same horizontal location, and maximize the local occurence of each pattern among these subwindows.（接着，为了解决角度变化的问题，将位于同一水平的subwindow的直方图的同一个bin取最大值，然后组成新的直方图）
      • The resulting histogram achieves some invariance to viewpoint changes, and at the same time captures local region characteristics of a person.（这些新获得的直方图不仅减轻了角度变化带来的影响，而且提取了图片局部的特征）
      • 
      • To further consider the multi-scale information, we build a three-scale pyramid representation, which downsamples the original 128X48 image by 2X2 local average pooling operation, and repeats the above feature extraction procedure. So our final descriptor has (8*8*8\ colorbins+3^4*2 SILTP\ bins)*(24+11+5\ horizontal\ groups) = 26960\ demension (现在考虑multiscale的问题，将原图下采样获得另外两个尺寸的图片，每个尺寸图片的horizontal subgroup分别是24， 11， 5，然后进行前面步骤，得到26960维度的特征向量)
      • Finally, we apply a log transform to suppress large bin values, and normalize both HSV and SILTP features to unit length.(最后，对直方图采用log运算并正规化， 然后就可以得到前面提到的26960维度向量)

  • XQDA：Cross-view Quadratic Discriminant Analysis, 工作原理如下：

    • To learn a discriminant low dimensional subspace by cross-view quadratic discriminant analysis, and simultaneously, a QDA metric is learned on the derived subspace. We also present a practical computation method for XQDA, as well as its regularzation.
    • XQDA是在KISSME Revisit与Bayesian Face的基础上提出的cross-view metric learning
      
      • 首先使用高斯模型分别拟合类内与类间样本特征的差值分布
      • 
      • 然后根据两个高斯分布的对数似然比推导出马氏距离
        
        • 对数似然比：
        • 马氏距离:
      • 接着定义子空间W，将（4）投影到该子空间W，得到距离
      • 
    • 为了得到一个具有区分能力的目标子空间W， 即类内方差小，类外方差大，因此得到以下的优化函数：
    • 
      
      • 其原型是：$J(w) = \sigma_E(w)/\sigma_I(w)$
    • 将这个优化函数进行最大化，得
    • 最后得到解

    • 但在实际计算中，协方差矩阵的计算复杂度较高，所以作者对公式进行了化简：

      • 
      • 

    • 最后，再提一点，作者发现，取大于1有利于决定子空间维度。

• 介绍完该论文的特征表示以及距离度量学习的方法后，作者开始介绍他们的方法在四个数据集下的实验结果，以及与the state of the art(最先进技术)的比较，从实验结果可以看出，作者的方法的效果确实优于其它方法
• 作者还对自己的方法做了分析，说明方法是具有鲁棒性的。
• 最后作者做了总结并提出未来的可研究的方向
  
  • 总结：We have proposed an effcient descriptor called LOMO, which is shown to be robust against viewpoint change and illumination variations. We have also proposed a subspace and metric learning approach called XQDA, which is formulated as a Generalized Rayleigh Quotient, and a closed-form soluton can be obtained by the generalized eigenvalue decomposition.
  • 未来展望：It would be interesting to study other local features or feature coding approaches with the same LOMO idea for person re-identification.

---

以上内容皆为本人观点，欢迎大家提出批评和指导，我们一起探讨!

---