ICCV2017 Person Re-Identification研究论文集

标题“ICCV2017 Person Re-Id”指的是2017年国际计算机视觉与模式识别会议（International Conference on Computer Vision，简称ICCV）中关于人员重识别（Person Re-Identification，简称Person Re-Id）的研究主题。ICCV是计算机视觉领域最权威、最具影响力的学术会议之一，通常会吸引全球的计算机视觉研究者、工程师及学者参与，并展示该领域最新的研究成果。 描述中提到的“Cross View 方法”、“Unsupervised 方法”和“改进的 Triplet Loss 方法”均是与Person Re-Identification相关的重要研究方向和技术方法。 1. Cross View 方法： Cross View方法通常指在不同视角或摄像头之间进行人员匹配的技术。在多摄像头监控场景中，一个目标人员可能会在不同的视角下被摄像头捕捉到不同的图像。Cross View方法旨在解决在不同摄像头视角下，如何高效准确地匹配同一个人的身份问题。这类方法的关键在于提取能够跨越不同视角变化的特征，以及设计鲁棒的匹配算法。常用的特征包括但不限于基于深度学习的特征提取，如使用卷积神经网络（CNN）提取的特征。 2. Unsupervised 方法： Unsupervised 方法，即无监督学习方法，在Person Re-Identification任务中尤为重要，因为标注同一人不同视角的图像数据通常需要大量的手动工作，成本高昂。无监督方法主要利用未标注数据进行学习，通过算法自动学习区分不同人的特征。这些方法可能会依赖于诸如聚类技术，通过将相似的图像聚集成群，以实现对个体的识别。无监督方法的关键挑战是如何设计有效的特征表征和相似性度量，以便即便在没有标注信息的情况下也能准确识别。 3. 改进的 Triplet Loss 方法： Triplet Loss 是一种常用于学习特征嵌入的损失函数，广泛应用于Person Re-Identification等领域。在Person Re-Id任务中，Triplet Loss 旨在拉近同一个身份在不同视角下的特征表示之间的距离，并推开不同身份特征表示之间的距离。改进的Triplet Loss方法可能包括对损失函数的重新设计，比如通过调整损失函数中的边缘大小、增加对难样本的处理、或者结合其他损失函数来进行优化，以提高特征的区分能力。 在上述描述中还提到了一个“ICCV 2017 相关论文下载，文章共9篇”，说明这批资料应该包含了9篇与Person Re-Identification相关的研究论文。然而，由于只提供了“148e4b66638a4a31943600a53d1c7a32”这一个压缩包子文件的文件名称，而没有提供具体的文件列表，所以无法得知每篇论文的具体标题。不过，可以推断这些论文应该涵盖了上述提到的技术方法，例如Cross View方法、Unsupervised方法和改进的Triplet Loss方法等，并在Person Re-Identification这一问题上有所贡献。 以上内容汇总了从标题、描述以及给定文件信息中所能提取出的与“ICCV2017 Person Re-Id”相关的知识要点。这些内容反映了当时（2017年）计算机视觉领域在人员重识别技术方面的研究热点和发展趋势。由于在撰写本文时，距离ICCV2017已有多年时间，Person Re-Identification领域可能已经产生了更多新的研究进展和技术突破，因此，针对目前的研究现状，上述信息仅供参考。