1. 摘要
第一篇用深度学习做Reid的文章，提出的FPNN采用端到端的训练方式，解决行人再识别的不对齐，光照，姿态等问题。
建立了一个新的带benchmark的数据集CUHK03，表现性能良好。
2.介绍
作者在文章中提到，目前做Reid的大致框架如下
目前的工作主要集中在优化上述框架中的一项或者同时优化几项。
作者在本文的贡献总结：
（1）解决不对齐、光照变换、几何变换、遮挡等问题
（2）使用一些有用的训练技巧；如dropout、数据增强、数据平衡、自助法等，使用端到端的训练
（3）建立发布了一个带benchmark的大规模行人再识别数据集CUHK03，该数据集包含1360个id，13164张图像
3. 模型，方法
模型分为6层，大致框架
（1）Feature extraction
使用卷积核对\((W_k,V_k)\)对输入的图像对进行卷积提取特征，然后最大池化成 $ H_1 $ x $ W_1 $ x \(K_1\)的特征图
\[ f_{ij}^k = \sigma((W_k*I)_{ij}+b_k^I)\]
\[ g_{ij}^k = \sigma((V_k*I)_{ij}+b_k^J)\]
（2）Patch matching
对特征图尽行分条处理，垂直方向分成M条，每条的宽度为\(W_1\)，在条内对图像进行匹配，输出为\(K_1MW_1\) x \(W_1\)的块位移矩阵
\[ S_{(i,j) (i',j')}^k = f_{ij}^k g_{i'j'}^k \]
$ S_{(i,j) (i',j')}^k $ 的值越大，响应匹配越好。
（3）Modeling mixture of photometric transforms
maxout-grouping layer 把\(K_1\)通道数分成T组，每组内的最大响应才往下一层传播，输出为\(TMW_1\) x \(W_1\)
（4）Modeling part displacement
这一层卷积池化，输出为\(MW_2\) x \(W_2\) x $K_2 $
（5）Modeling pose and viewpoint transforms
这一层为全连接层
（6）Identity Recognition
这一层为softmax层，使用softmax函数
4. 训练策略
dropout 、data augmentation、data balancing 、bootstrapping
5. 结论
6. 评价
模型性能良好，能够解决一些遮挡、不对齐、光照变化、几何变换、姿态等问题。这是一篇良好的开篇之作，这个提供了一种深度学习解决行人再识别问题的思路。