基于深度學習的行人重識別經(jīng)典算法研究

摘 要：在深度學習大熱的背景之下，選取了幾種基于深度學習的優(yōu)秀的行人重識別算法，并比較這些方法在不同數(shù)據(jù)集上面的表現(xiàn)，分析它們之間的優(yōu)勢和劣勢，以及這些算法適用的場合。

關鍵詞：行人重識別；卷積神經(jīng)網(wǎng)絡；triplet loss

一、幾種行人重識別深度學習經(jīng)典方法的比較

（一）Multi-Channel Parts-based CNN Model with Improved Triplet Loss Function

2016年，De Cheng等人提出了一種多通道基于身體部位的卷積神經(jīng)網(wǎng)絡模型，并結合改善的triplet loss函數(shù)來進行最終的行人再識別。本文對傳統(tǒng)triplet loss做了一個改進，改進后損失函數(shù)進一步達到類內距小于預設定的邊界。

1、Multi-Channel Parts-Based CNN。一是全局模型，通過Crop全圖做卷積神經(jīng)網(wǎng)絡；二是部分比較模型，將圖像水平分割為多個部分。本文將圖像分隔為4個部分，最后通過全連接形成N維特征。

2、improved triplet loss。通過構造一個三元組（）進行樣本訓練，來驅動卷積神經(jīng)網(wǎng)絡的改進。其中，I為原樣本，I+為陽性樣本，I-為陰性樣本，通過Triplet構造約束滿足：Dist（I，I+）+T1

3、訓練算法。采用隨機梯度下降法（SGD）進行訓練。

4、在數(shù)據(jù)集上的表現(xiàn)（見圖1）。

其中，oursT是從深度卷積網(wǎng)絡模型移除4個身體部分通道，運用原始的tripletsloss去訓練這個網(wǎng)絡；TC 與T屬于相同的網(wǎng)絡模型，但運用了improved triplet loss去訓練；TP是用了多通道卷積神經(jīng)網(wǎng)絡模型的全視角訓練；TPC與TP屬于一樣的網(wǎng)絡模型，但納入了improved triplet loss。

5、總結。這個方法把身體水平分成了四個部分，通過賦予較大的權值，得到一個避免動作造成誤差的方法，改善了圖像識別中由于人的動作造成的誤差。

（二）A Discriminatively Learned CNN Embedding for Person Re-identification

1、identification model。2015年，Zhedong Zheng等人融合了identification model和verification model，在數(shù)據(jù)有限的時候，verification用contrastive loss會導致過擬合，所以采用了cross-entropy。本文采用的dropout擁有降低數(shù)據(jù)過擬合風險的性質，同時還擁有模型融合的效果。

2、測試方法。對于gallery圖庫圖像，前向計算卷積特征f，并保存在本地；對于probe圖片，前向提取特征后保存在本地中；通過比較兩者的歐式距離來對gallery中的圖進行rank。

3、數(shù)據(jù)集上的表現(xiàn)（見圖2）。

4、總結。本文同時考慮 identifi-cation loss和 verification loss的siamese網(wǎng)絡，可以在同一時間學習一個discrimi-native embedding和similarity measurem-ent，這個方法在兩個主流行人重識別的benchmark上超過了基準。另外，這個方法在實例檢索任務中顯示出了潛在的能力。

（三）Top-push Video-based Person Re-identification

1、TDL方法。2016年，Jinjie You 等人通過對“Top Rank Optimization in Linear Time”這篇文章的拓展，提出了TDL，即Top-push distance learning模型。TDL是一種空間映射，目的在于減少類內距離，增加類間距離，提高目標的可區(qū)分度。

2、TDL目標。

3、算法。采用馬氏距離度量，將距離轉換為矩陣的Trace，Dx（x，y）= tr（M Xi，j），訓練過程采用隨機剃度下降法，通過不斷迭代更新來優(yōu)化M。

4、數(shù)據(jù)集表現(xiàn)。我們在PRID數(shù)據(jù)集上測試了10次，取平均值，分別為：58.5393，80.7865，87.4157，91.4607，93.2584；在iLIDS上的表現(xiàn)：平均值分別為：56.2000，88.2667，95.2667，97.0667，97.8000。

5、總結。TDL方法采用了一個top-push約束來量化模糊video represent-ation，形成的距離模型可以更有效地實現(xiàn)基于視頻的行人重識別的top-rank 性能。

（四）用生成對抗網(wǎng)絡方法生成的圖像做訓練

數(shù)據(jù)集的數(shù)據(jù)量不足也同樣是行人重識別的一個限制因素，針對這個問題，Zhedong Zheng在2017年提出了利用當今比較流行的生成對抗網(wǎng)絡來生成圖像做訓練，彌補現(xiàn)在re-ID里面每類樣本比較少的問題。

二、不同方法的對比

這里選取了i-LIDS 和 PRID數(shù)據(jù)集作為對比標準來對比三種算法的表現(xiàn)。

（一）三種算法平均表現(xiàn)

因為不同數(shù)據(jù)集的側重點不同，三種深度學習的re-ID方法在不同數(shù)據(jù)集上的平均表現(xiàn)做了對比，見圖5。

（二）結果分析

就以上三種方法，A Discriminatively Learned CNN Embedding for Person Re-identification方法平均表現(xiàn)最佳，即可在光照變化較大的環(huán)境下，又可在有遮擋物的環(huán)境下體現(xiàn)出較為優(yōu)秀的人員識別狀態(tài)。而Multi-Channel Parts-based CNN方法對于bias變化較為敏感，尤其在PRID2011數(shù)據(jù)集上表現(xiàn)欠佳。

（三）用生成對抗網(wǎng)絡做數(shù)據(jù)增強

通過LSRO方法，將無標記的生成對抗網(wǎng)絡圖像與標記的真實訓練圖像混合，同時進行半監(jiān)督學習后的數(shù)據(jù)集測試平均數(shù)見圖6。

可以看出，通過生成對抗網(wǎng)絡做數(shù)據(jù)增強（虛線），可以防止過擬合，不同程度上提高算法的行人重識別效果。用生成對抗網(wǎng)絡做訓練被認為是深度學中很具有發(fā)展前景的方法，在行人重識別中也具有很大的潛力。

三、結論

這篇文章主要介紹了基于深度學習的三種經(jīng)典方法，并根據(jù)它們在數(shù)據(jù)集上的平均表現(xiàn)對這些算法做了一些評估與優(yōu)勢略施分析。

我們發(fā)現(xiàn)，Zhedong Zheng 等人融合了identification 模型和verification 模型，采用了cross-entropy，降低了數(shù)據(jù)過擬合風險，從而展現(xiàn)出了相對優(yōu)于其他兩種方法的表現(xiàn)。尤其是RANK 1，以絕對的優(yōu)勢超越了另外兩種方法。這種方法具有深入研究的價值。其次，TDL方法采用了一個top-push約束來量化模糊video representation，適用于基于視頻的行人重識別。另外，由于不同數(shù)據(jù)集的側重點有不同程度的差別（如光照，對比度等），用生成對抗網(wǎng)絡生成圖像是從原來的訓練數(shù)據(jù)里生成出來的，和原來的數(shù)據(jù)集更相似，接近實際的test 數(shù)據(jù)集。因此，比直接多個數(shù)據(jù)集聯(lián)合訓練更容易提高效果。所以，對于行人重識別來說，用生成對抗網(wǎng)絡去生成圖像做訓練可以擴大數(shù)據(jù)集的數(shù)據(jù)量，可以更好地為深度學習方法做訓練。

作者簡介：王蘊綺（1996-），女，山西太原人，本科生，研究方向：計算機視覺。

（責任編輯 劉常興）