一. 论文背景

论文：AlignedReID: Surpassing Human-Level Performance inPerson Re-Identification 【点击下载】

Caffe代码：【Github】

首先通过下图来看ReID面临的问题：

由于检测框不准确（a-b）,姿态变化（c-d），遮挡（e-f）和 近似外观（g-h）。

为了解决以上问题，一些研究将重心放在part-based learning，在整体特征无法准确描述的情况下，利用局部特征来强调差异。

局部特征有很多方法，最常用的 水平划分，PAR（基于FCN），AttentionModel，RPP 等。

算法提到了两个创新点，动态对齐（Dynamic Alignment）和 协同学习（Mutual Learning），算法在Market1501和CUHK03上的Rank-1达到了94.0%和96.1%，首次在行人再识别问题上超越了人类表现。

二. 算法描述

最关键的 Aligned ReID 框架图，下图是不包含 Mutual Learning 的情况：

这里面 N 为一个Batch（论文中N=128），通过一个共享的特征提取层后，分别提取局部特征和全局特征，通过N*N的距离矩阵描述，计算triplet loss。

在一个min-batch中，通过global distance计算距离，选择 相同标签差异最大、不同标签差异最小的input构造hard samples。实验中Triplet margin设为0.3。

2.1 动态规划

动态规划实际是为了解决两幅图像之间的 Part对齐问题，如图 [part1]<->[part4]

1）Part model能够对目标特征进行细粒度刻画，是非常必要的

2）最短路径包含非相关特征（如part1<->part1），这非但不会对结果造成影响，而且还会对维护垂直方向对齐的次序起着至关重要的作用。
即 路径规划本身隐含了自上而下的顺序。
注：非相关特征距离d比较大，其梯度接近于0，因此对于最短路径的贡献是比较小的。
有兴趣的同学可以参考下面的公式证明一下。

3）路径规划过程
先来看part距离公式（H表示水平划分，文中已验证最好的H=6）：

规划从（1,1）到（H,H）的最短路径，参考公式：

规划得到的SH,H最短路径即是两幅图像最佳的Local 匹配。

2.2 协同学习

协同学习的框架：

1） 通过两个网络（上图θ1和θ2）实现 Mutual Learning
每个网络又包含 Classification Learning和 Metric Learning，用于分类和距离度量。
通过 Classification Mutual Loss 和 Metric Mutual Loss 实现协同学习。
注：两个网络相互学习，没有主次之分。

2）预测阶段，只用到了全局特征，没有采用局部特征
原因在于，通过协同学习，提取的全局特征在局部特征影响下，已经能够准确描述图像，和局部特征并无区别，作者通过实验验证（仅在小gallery上Rank-1有所提升，0.3-0.5%）。
当然还有一个原因，就是全局特征的提取更快，一致性描述更强。

3）Batch解构
对于一个Batch内N幅图像，通过global distance计算两两之间的距离，得到N*N的距离矩阵M，其中Mi,j表示图像（i，j）之间的距离，Mutual LearningLoss定义为：

2.3 Re-Ranking

重排序对于ReID来讲通常是非常必要的，能够显著提高准确率，本文采用的Re-Ranking方法并无不同，本节不展开。

三.实验结果

算法在测试过程中已经超过了人类的认知，在典型数据集上表现也非常不错。和state-of-the-art 方法的对比：