文章链接：http://isee.sysu.edu.cn/~zhwshi/Research/PreprintVersion/Top-push%20Video-based%20Person%20Re-identification.pdf

About the authors

在person re-id方面，国内做得最好的应该是中山大学的郑伟诗老师，还有一位华人，英国马里兰大学的Shaogang Gong老师，两个人之间也合作了几篇文章，看郑伟诗老师的bio，原来郑老师曾在2008年做过Shaogang Gong和Tao Xiang的博后。大家如果做person re-id，这两个人应该是肯定要跟的。

Summary

这是一篇video-based person re-id，这方面工作比较少，后面related work会总结一下这方面已有的工作。
提出的方法名字叫top-push distance learning model (TDL)，top-push的思路是对ref [15]的扩展（从一维到高维），方法基本上可以概括为：进一步增大类间差异，缩小类内差异，方法很简单，效果却出奇的好，比之前的最高精度高了不止一倍，后面实验会提到。

Motivation

起因有几方面，其中作者最强调的应该是下面他们观察到的现象：

横轴代表图片/视频，纵轴是一个距离度量值，这个值表示intra-class distance，也即类内距离，也即同个人的图片/视频之间的差异，红色表示图片，蓝色表示视频。这里作者只显示PRID 2011和iLIDS-VID两个数据库下的20张图片/个视频，可以明显观察到：视频的类内差异要比图片大，也即一个人在两个camera下的视频更难被识别成同一个人，所以呀，我们要约束类内差异，增大类间差异，这个思路是很容易想的，下图是经过作者提出的方法（TDL）处理前后的对比，可以看到，增大类间差异、缩小类内差异的目的确实达到了。

还有其它一些起因，罗列如下：
- 之前video based person re-id的工作并没有有效利用video的信息，这里作者融合了表观特征（LBP and color histograms）和时空信息（HOG3D）

Related work

基本上很多single-shot的方法（就是基于单张图像的方法，以后有空再解释）都可以拓展成multi-shot，然后应用到video-based person re-id，除了这部分related work外，video-based的方法有三个：

[10] S. Karanam, Y. Li, and R. Radke. Sparse re-id: Block sparsity for person re-identification. In CVPR Workshop, 2015.
[30] D. Simonnet, M. Lewandowski, S. A. Velastin, J. Orwell,and E. Turkbeyler. Re-identification of pedestrians in crowds using dynamic time warping. In ECCV, 2012.
[31] T. Wang, S. Gong, X. Zhu, and S. Wang. Person reidentification by video ranking. In ECCV. 2014.

ref [10]没有读过，作者的描述是（不太懂）：

Srikrishna et al. [10] introduced a block sparse model to handle the video-based person re-id problem by the recovery problem on embedding space.

不过最后这三个工作的缺点却是点明了：

However, these works assume all image sequences are synchronized, but it becomes unapplicable due to different actions taken by different people.

对齐本身就是一件很难又费时的事情，实际应用当然比较受限。

还有一些和作者提出的方法相似或者思路相似的做法，比如LMNN，如下图所示：

图也很好理解，LMNN的目标是：缩小附近正样本间的差异，惩罚附近所有的负样本；而TDL的目标是：缩小正样本间的差异，惩罚离得最近的负样本；所以TDL比LMNN有更强的约束。

RDC是作者早先的一个工作，和RDC以及LDA的差异如下：

While RDC is limited by the scaleof relative comparison, the proposed TDL can largely reduce the number of relative comparisons in the context oftop-push modeling. In addition, compared to LDA [5], ourmodel replaces the maximum of inter-class distance by theminimization of hinge loss of top-push comparison, so thatour model has imposed much more powerful constraint onthe inter-class modeling.

Approach

前面啰嗦这么多，方法反倒是很简单，下面一个式子就解决了：

，$y_i$是第$i$个sample的label，$\vec{x_i}$表示第$i$个样本，$\mathcal{D}$表示距离度量，$\rho$代表margin，$\alpha$是权重。
第一项表示类内差异，也即减小所有正样本对的距离，第二项是扩大类间差异，这里很像triplet loss，不同在于第二项里的$\min$这项，它选取离$\vec{x_i}$最近的负样本。

优化算法没有看，也不是了解的重点，大家有兴趣的可以自己去看看。

Experiments

实验效果非常显著（和两个数据库上最好的结果对比）

这里少了ECCV2014的一个对比，[2014,ECCV] Person Re-Identification by Video Ranking（之后还有一个期刊版本，效果更好），不过即使和这个对比，精度还是要高出一倍左右。

和related work的结果对比

实验效果还是非常好。

不过这里我还是要说一下我对于metric learning的看法，我始终摆脱不了这种思路是在拟合数据库的主观态度，但是气人的是，这种效果还非常好！