ICCV2017 re-id 论文所用的指标

ICCV2017 相关论文所用的指标：

1、Unlabeled samples generated by GAN improve the person re-identification baseline in vitro

resnet50为基础，GAN生成的图像和真是图像数据一起输入CNN网络进行re-id

market-1501(single query，也只使用此数据集来生成图像）:  rank-1(78.06%) mAP(56.23%）

CUHK03：rank-1（73.1%） mAP（77.4%）

使用微调的模型达到最高的性能(使用文章所提出来的LSRO)：

market-1501：rank-1(83.97%)  mAP(66.07%)

CUHK03 ：rank-1(84.6%)  mAP(87.4%)

2、SVDNet for pedestrian retrieval

resnet50为基础，在最后一个全连接层的前面加了一个Eigenlayer，对参数进行SVD分解

market-1501：rank-1(82.3%)   rank-5(92.3%)  mAP(62.1%) 

CUHK03: rank-1(81.8%)  rank-5(95.2%)  mAP(84.8)

DukeMTMC-reID: rank-1(76.7%)  rank-5(86.4%)   mAP(56.8%)

3、Pose-driven Deep Convolutional Model for Person Re-identification

GoogLeNet为基础模型

3、Pose-driven Deep Convolutional Model for Person Re-identification

ICCV2017 相关论文所用的指标：

1、Unlabeled samples generated by GAN improve the person re-identification baseline in vitro

resnet50为基础，GAN生成的图像和真是图像数据一起输入CNN网络进行re-id

market-1501(single query，也只使用此数据集来生成图像）:  rank-1(78.06%) mAP(56.23%）

CUHK03：rank-1（73.1%） mAP（77.4%）

使用微调的模型达到最高的性能(使用文章所提出来的LSRO)：

market-1501：rank-1(83.97%)  mAP(66.07%)

CUHK03 ：rank-1(84.6%)  mAP(87.4%)

2、SVDNet for pedestrian retrieval

resnet50为基础，在最后一个全连接层的前面加了一个Eigenlayer，对参数进行SVD分解

market-1501：rank-1(82.3%)   rank-5(92.3%)  mAP(62.1%) 

CUHK03: rank-1(81.8%)  rank-5(95.2%)  mAP(84.8)

DukeMTMC-reID: rank-1(76.7%)  rank-5(86.4%)   mAP(56.8%)

3、Pose-driven Deep Convolutional Model for Person Re-identification

GoogLeNet为基础模型

3、Pose-driven Deep Convolutional Model for Person Re-identification