论文题目：Person Re-identification with Deep Similarity-Guided Graph Neural Network 来源： ECCV2018 论文地址： https://arxiv.org/abs/1807.09975
动机： 这篇论文以往的行人重识别模型往往是给出一张probe图像，在gallery中找到相同id的行人图像，只关注probe和gallery其中一张图像之间的相似度关系，而忽略了不同probe-gallery图像对之间的关系。举个例子：给出一张probe图像p1,gallery图像中包含两张图像（g1,g2）,以往只关注（p1,g1）之间的关系，而忽略了（p1,g1）和（p1,g2）图像对之间的关系信息。因此会导致一些难样本的识别准确率低下，本文就是将不同probe-gallery对之间的关系考虑进来。
解决方法： 简单来说，给出一个probe样本p和两个gallery样本g1,g2。我们假设(p,g1)是难以识别的positive样本,而（p,g2）和（g1,g2）是相关性高的positive样本，即两者之间相似度较高。如果（p,g1）和（p,g2）没有任何的信息交流，（p,g1）最后的相似性得分就不可能很高，因此可以利用（g1,g2）关系信息去帮助（p,g1）的特征信息进行细化，最后（p,g1）细化后的特征就可能产生更高的相似性得分，完成难样本的识别，也称为信息传递。
具体思路： (a)是常规的卷积操作，求得probe和每一个gallery之间的特征差异di(i=1,2,3,4…),再经过评估得出相似度值，判断是否属于同一个ID。 (b)是作者提出的SGGNN模型方法，将probe-gallery之间的差异特征组成一个无向完全图，每一条边上传递对应的（gi,gj）关系信息，不断细化差异特征di（i=1,2,3,4…）,使得di具有更强的区分度。
我们的目标就是去评估probe-gallery图像对之间的相似度得分，因此也可以把reid问题看成是节点分类（差异特征di）问题。
差异特征的获取过程： 1、给出一个probe图像和N个gallery图像，每一对probe-gallery图像被送入siamese ResNet-50网络中进行特征编码。经过一个全局均值池化分别得到probe和gallery的特征向量。 2、将得到的两个向量元素相减（subtract），再经过一个向量元素的平方操作和BN层得到一个差异特征di(i=1,2,3,…N),作为图中第i个节点的输入特征。
融合不同probe-gallery对的特征信息
在构建的图关系结构中，每一条边也就代表了不同probe-gallery对之间的关系，使用Wi,j表示每条边的权重，用来权衡节点i和节点j之间的关系密切程度，计算公式如下： S()是相似度估计函数，用来计算gi和gj之间的相似度得分，使用了probe-gallery对相同的分类模型计算。
上图结构分为以下几步：
1、得到的差异特征di经过message network得到对应的message ti,每一个差异特征都经过这个fc层 2、对di而言，其余的probe-gallery差异特征dj,dk,dh在经过message network之后得到tj,tk,th。在分别使用gallery-gallery相似度得分去引导细化probe-gallery关系特征，使其变得更加具有区分度。di使用上面得到的Wi,j(表示gi和gj之间的关系)值和Wi,k, Wi,h值进行自我更新，公式如下，α是用来平衡融合特征和原始特征的超参数，表示融合特征占比重要度： 3、使用交叉熵损失函数进行节点的分类
实验结果： K表示sample中每一个ID的图像数，top-k表示test阶段用来更新的gallery图像数，t表示di更新时候的迭代次数。
