Learning Deep Context-Aware Features Over Body and Latent Parts for Person Re-Identification
作者是中科院的Dangwei Li等。這篇工作是multi-class person identification tasks，主要?jiǎng)?chuàng)新有三點(diǎn)：（1）用空洞卷積（dilated conv）進(jìn)行多尺度特征提取，減少傳統(tǒng)CNN提取特征的信息損失；（2）利用Spatial Transformer Networks (STN，其中作者設(shè)置了三個(gè)參數(shù)限制) 提取可變的body-part，相比較于rigid divid, 能減少背景的影響； （3）將full body特征和parts特征融合，在identification classification 指導(dǎo)下，學(xué)習(xí)網(wǎng)絡(luò)參數(shù)。

Beyond Triplet Loss: A Deep Quadruplet Network for Person Re-Identification
在傳統(tǒng)的三元組中增加一個(gè)negative sample, (x,xp,xn1,xn2). 在原始的triplet loss上增加約束d(x,xp)< d(xn1,xn2)

Spindle Net: Person Re-identification with Human Body Region Guided Feature Decomposition and Fusion
code : https://github.com/yokattame/SpindleNet
香港中文大學(xué)的王小剛等的論文。
本文的創(chuàng)新點(diǎn)：（1）針對(duì)disassigned image pair, 作者提出先用Region Proposal Net-work (RPN) 提取7個(gè)身體區(qū)域：頭頸，上身，下身，雙胳膊，雙腿。
（2）設(shè)計(jì)一個(gè)基于global + local features的模型 （特征提取網(wǎng)絡(luò) FEN）
（3）特征融合網(wǎng)絡(luò)（FFN） Tree+max

Re-Ranking Person Re-Identification With k-Reciprocal Encoding
（1）定義了k-互惠編碼（K-Reciprocal 編碼）
（2）求k-reciprocal 特征
（3）計(jì)算Jaccard距離
（4）和原始距離融合

Person Re-Identification in the Wild
code:https://github.com/liangzheng06/PRW-baseline
考慮不同的檢測(cè)算法對(duì)re-id性能的影響。詳細(xì)總結(jié)可參考博客：http://blog.csdn.net/he_is_all/article/details/61928958

Scalable Person Re-identification on Supervised Smoothed Manifold
華科白翔老師實(shí)驗(yàn)室的paper. 提出mandifold-based affinity learing for re-id。該方法能夠：（1）利用pairwise約束（2）可以用大大數(shù)據(jù)集上（3）可作為其他方面的后處理階段。
方法很好，但是實(shí)在是看不懂。。。。。。。

One-Shot Metric Learning for Person Re-identification
傳統(tǒng)方法。作者提出將紋理和顏色分開學(xué)習(xí)距離測(cè)量。
（1）用灰度圖像輸入到DCNN，得到紋理特征
（2）設(shè)置針對(duì)re-id的色卡，僅用一對(duì)圖像得到測(cè)量。不懂。
效果一般。。。

Point to Set Similarity Based Deep Feature Learning
for Person Re-identification
西安交大的Sanping Zhou等
（1）提出一個(gè)point to set的 Similarity 測(cè)量方法。
（2）基于身體部分的網(wǎng)絡(luò)架構(gòu)。