论文阅读笔记（二十一）【CVPR2017】：Deep Spatial-Temporal Fusion Network for Video-Based Person Re-Identification

Introduction

（1）Motivation:

当前CNN无法提取图像序列的关系特征；RNN较为忽视视频序列前期的帧信息，也缺乏对于步态等具体信息的提取；Siamese损失和Triplet损失缺乏对label信息的考虑（？？？）。

（2）Contribution：

提出一个新的端到端网络框架，称为 CNN and RNN Fusion（CRF），结合了Siamese、Softmax 联合损失函数。分别对全身和身体局部进行模型训练，获得更有区分度的特征表示。

Method

（1）框架：

（2）输入：

输入包括两部分，原图像信息、光流信息（使得行人的步态、动作更清晰）。

（3）CNN层：

该层采用参考文献相同的CNN，详情参考【论文阅读笔记（十）【CVPR2016】：Recurrent Convolutional Network for Video-based Person Re-Identification】

包含三个卷积模块，每个模块包含：卷积层（kernel size 为5*5）、最大池化层、ReLU层。输入序列定义为：，其中 T = 16，则CNN层可以定义为：

最终得到的特征表示为：

（4）时间池化层：

采用平均池化的操作，定义为：

（5）RNN层：

结点计算如下：

时间池化层：

（6）时空特征融合：

由于RNN对前期帧较为忽视，需要对丢失的信息进行弥补，将CNN、RNN两次的输出进行结合，计算如下：

（7）多损失层：

损失函数包含Siamese损失和Softmax损失：

（8）局部/全局特征融合：

将行人身体分为上半部分和下半部分，分别提取特征，在进行整体融合：

Experiments

（1）实验设置：

① 数据集设置：PRID-2011、iLIDS-VID、MARS；

② 参数设置：epochs ＞ 10，视频序列长度 = 16，W₁ = W₂ = W₃ = 1.

（2）实验结果：