来看psp中文网文章列表:

• 1、游戏趣盘点：PSP版GTA，侠盗猎车：自由城故事
• 2、火了15年的SONY神机PSP，最后还是输给了iPhone
• 3、这款即将发售的最硬核高达游戏，我该如何入坑下
• 4、我真的玩了AI绘图做的游戏，不过和我想的不大一样
• 5、CVPR 2018 中国论文分享会 之人物重识别及追踪

游戏趣盘点：PSP版GTA，侠盗猎车：自由城故事

《侠盗猎车：自由城故事》承袭了GTA一贯的高自由度，可探索的地图相当大，唐人街等各具特色的区域都在相当程度上还原了本来的风土人情。本作以GTA3中所在的自由城(（Liberty City）)为背景，这是一个梦想与现实、欲望和野心的交汇地。

《侠盗猎车手：自由城故事》(Grand Theft Auto: Liberty City Stories)是早在2005年就已经登陆PSP平台的GTA系列作品，时隔近10年，制作方Rockstar将该作搬上了移动平台。游戏以《侠盗猎车手3》中所在的自由城为背景，故事从1998年开始，主人公Toni Cipriani因杀人而逃亡了一段时间后又回到了自由城，再次为黑手党家族的老大Don Salvatorie Leone工作。

侠盗猎车：自由城故事

由于恰逢新旧主机交替之际，著名的暴力动作游戏GTA系列的最新作并无法赶在本财年内发售，对Take-Two公司的收入造成了相当程度的影响，为了帮补家计，Take-Two旗下的Rockstar Games不得不将PSP上的作品《侠盗猎车：自由城故事》（以下简称GTA：LCS）移植到主流的PS2家用机平台上。

本作以《侠盗猎车手3》中所在的自由城为背景，不过故事、人物和任务都是全新的。故事从1998年开始，Tony Cipriani因杀人而逃亡了一段时间后又回到了自由城，黑帮朋友Don Salvatorie给了他一份差事，让他掌管曾在《侠盗猎车手3》中露面的一家饭店。当然，给Salvatorie做事没有那么容易，Cipriani的人生注定无法脱离黑道的杀戮。本作采用了全新引擎"NOT Renderware"制作，由Rockstar Leeds与Rockstar North合作开发。作为一款掌机游戏，本作在贴图密度、解析度、威力效果等方面都进行了优化。本作将会充分利用PSP的无线多人游戏功能，具有多种多人游戏模式，包括"自由城生存战"、"收取保护费"、"偷车赛"等。

自由城生存战(Liberty City Survivor):这个模式相当于死亡竞赛，在限定时间内杀敌数量最多者获胜。杀死一名对手就会获得一分，自己被杀就会被扣掉一分。你还可以与其他人联合起来杀死敌对帮派成员。限定时间内杀敌数量最多的帮派获胜。

汽车保护战(Protection Racket):该模式中，玩家的目的是摧毁敌对帮派基地中的四辆豪华轿车，同时阻止对方来破坏自己的轿车。该模式共有两种，两个帮派轮流扮演攻防双方。屏幕上有一个计时器统计第一回合内毁掉对方轿车所用的时间。守方的4辆轿车全部被摧毁后，攻守双方的身份就会调换，第二回合开始。上一回合的记录时间开始倒计时，攻方必须在倒计时结束之前摧毁对方的轿车，否则就会失败。

偷车赛(Get Stretch):每个帮派都可以偷窃对方帮派的汽车，并将其带回到自己的基地，同时阻止自己的汽车被偷。该模式相当于传统的夺旗模式。若是汽车被对方偷走，可以将其开回，或者直接就地摧毁。过了一段时间之后，这辆汽车就会再次在自己的基地出现。最先达到分数定值或者偷了最多汽车的一方获胜。该游戏的PS3版本于2013年4月2日在PlayStation网络正式发售。

游戏剧情

虽然游戏不支持中文，但此前PSP版本早有汉化，相信熟悉本作的的老玩家早就对剧情和地图烂熟于心。Liberty City，隐射的正是美国的经济中心纽约。在这里，传统的黑手党家族、华人三合会、日本山口组、拉丁帮派、黑人帮派、各色势力横行。如今的自由都市已经彻底笼罩在混乱中：敌对的帮派为了争夺街道的控制权而互相火拼;政治腐败的余波已经开始令城镇步向自我毁灭的不归路;再加上组织性的大规模犯罪、毒贩散布和连续的罢工活动，令所有人陷入紧张的不安中。

游戏依然承袭了GTA一贯的高自由度，可探索的地图相当大，唐人街等各具特色的区域都在相当程度上还原了本来的风土人情。PSP平台的作品为顺应屏幕的比例，都是支持宽屏显示的，因此，移植到PS2后的GTA：LCS同样继承了宽屏显示的功能。

只是，对于这款移植作品，游戏小组似乎并没有投入太大的精力，对于游戏的建模，纹理材质，光影效果等等并没有根据家用机的机能，所用影音设备等具体环境作出适当的优化。所以，PS2版的GTA：LCS画面显得粗糙无比，锯齿多且明显自不必说，光影效果，纹理贴图也显得相当糟糕，解析度较低之余，画面也显得非常暗。这就好比一张像素较低的图片，在没有经过任何算法程式的优化下，强制放大数倍一样。其整体画面表现在很多方面都不如04年秋在PS2平台上首发的GTA:SA。虽然GTA系列一向就以自由度著称，画面并非其强项，但这次PS2版的GTA：LCS，明显可以看出移植相当没有诚意，使得本已不太讨好的画面更是百上加斤。

本作以GTA3中所在的自由城(（Liberty City）)为背景，这是一个梦想与现实、欲望和野心的交汇地。成千上万个不同的故事发生在这个城市里。游戏的故事、人物和任务都是全新的。游戏将时间设定在GTA3的三年以前，也就是从1998年开始，Leone家族是自由都市内有数的犯罪家族之一，这个家族曾经有一个叫做Toni Cipriani的优秀成员因为杀了一个疯狂的男人后不得不躲藏起来。

而现在，Toni回来了，也是时候将一切恢复到原来的样子。Tony Cipriani因杀人而逃亡了一段时间后又回到了自由城，黑帮朋友Don Salvatorie给了他一份差事，让他掌管曾在GTA3中露面的一家饭店。

当然，给Salvatorie做事没有那么容易，如今的自由都市已经彻底笼罩在混乱中：敌对的帮派为了争夺街道的控制权而互相火拼；政治腐败的余波已经开始令城镇步向自我毁灭的不归路；再加上组织性的大规模犯罪、毒品散布和连续的罢工活动，令所有人陷入紧张的不安中。也因此，当Toni试图清理这个混乱的黑社会时，他身边竟然没有人可以信任。疯狂的职业打手、道德败坏的企业家、愤世嫉俗的政客，甚至就连Toni的亲生母亲都在阻止他令Leone家族重新掌握这个城市的控制权。Tony的人生注定无法脱离黑道的杀戮。为了令自由城恢复原来的秩序，Toni必须不择手段才能达到这个目的。新的自由城故事，将从这里开始。

游戏画面

在画面上，原版毕竟是PSP画质，建模、纹理什么的就不要想太美好，虽然iOS版《侠盗猎车手：自由城故事》优化了贴图，让画面少了很多锯齿，还增加了一点光影效果，不过毕竟是一个移植作品，原作本身就没有对画面投入太大的精力，并非重新开发，所以画质不要抱太大希望。尽管画面过于“复古”，但不能掩盖这一作内容上的精彩，游戏依然承袭了GTA一贯的高自由度，可探索的地图相当大，唐人街等各具特色的区域都在相当程度上还原了本来的风土人情。

游戏依然承袭了GTA一贯的高自由度，可探索的地图相当大，唐人街等各具特色的区域都在相当程度上还原了本来的风土人情。PSP平台的作品为顺应屏幕的比例，都是支持宽屏显示的，因此，移植到PS2后的GTA：LCS同样继承了宽屏显示的功能。只是，对于这款移植作品，游戏小组似乎并没有投入太大的精力，对于游戏的建模，纹理材质，光影效果等等并没有根据家用机的机能，所用影音设备等具体环境作出适当的优化。所以，PS2版的GTA：LCS画面显得粗糙无比，锯齿多且明显自不必说，光影效果，纹理贴图也显得相当糟糕，解析度较低之余，画面也显得非常暗。这就好比一张像素较低的图片，在没有经过任何算法程式的优化下，强制放大数倍一样。其整体画面表现在很多方面都不如04年秋在PS2平台上首发的GTA:SA。虽然GTA系列一向就以自由度著称，画面并非其强项，但这次PS2版的GTA：LCS，明显可以看出移植相当没有诚意，使得本已不太讨好的画面更是百上加斤。

游戏音效

GTA系列和EA旗下的体育以及赛车类作品一样，有着可供玩家随意切换音乐的好处和优势，而这次的GTA：LCS，调频电台除了保留以往的Rap/R&B/HIP-HOP类型的音乐外，还加入了印巴风格的音乐元素，听起来别有一番风味。不过，因为PS2主机在播放音乐方面不如PSP和PC平台那么具有开放性，因此，少了可由玩家自行播放保存在记忆棒，硬盘等存储介质上的音乐这些有趣的功能。游戏的音效方面同样一如既往地到位，各种交通工具，还有NPC的音效都能恰如其分地表达出来。

游戏亮点

GTA：LCS原来虽然只是一款为掌机平台量身定做的游戏，但游戏的内容与正传作品相比却不遑多让，主线和分支任务的结构，自由度同样相当丰富，包罗万有的武器和交通工具也都是一应俱全：除了Shotgun、AK47、Ingram这些威力不俗的枪械外，Flame Thrower火焰喷射器和Rocket Launcher火箭炮等重型武器以及Laser Scope Sniper Rifle这样的远程狙击武器也将出现在游戏当中。至于交通工具，当然就更加丰富了，下至轻便快捷的摩托车，上至MR.WONGS等重型卡车，甚至还有在特殊任务当中需要驾驶的直升机以及各类快艇，海陆空一样不少。玩家可以在游戏中充分享受到无所不能的驾驶乐趣。自然了，交通工具可以抢，这武器，可大都得用血汗钱来购入了。可不要异想天开地试图干掉武器商店的老板，他用的武器可比玩家强多了，偷鸡不到的后果当然是蚀把米了。或许是因为本是掌机平台的作品，GTA：LCS在系统和操作上显得更为简洁，不过，PS2版在进行移动和驾驶等环节时的视角还是显得过于灵敏了。

自由度一直是GTA系列标榜的卖点，无论是为恶四方，还是以行善为乐，玩家总能在游戏中找到属于自己的快乐。但由于暴力和成人化的色彩太浓，GTA一直也因此而饱受争议。在进行解决目标任务，担任保镖等任务的过程中，玩家不免会出现受到通缉的情况，通缉星级越高，玩家受到围追堵截的情况也将越加惊险。情况特别严重时，警方甚至会出动装甲车和军用坦克来对付玩家，此时，玩家可就不是躲躲就能蒙混过关了，得想一些非常规的法子才能彻底摆脱困境，抢得警方强力载具来以暴制暴，驾驶轻便的交通工具尽量往狭窄的街道逃窜，或者尽可能利用一些有利于车辆进行飞跃的场地。然后通过汽车喷漆商店为载具改头换面等等，都是不错的选择。

游戏评价

虽然只是一款为掌机平台量身定做的游戏，但游戏的内容与正传作品相比却不遑多让，主线和分支任务的结构，自由度同样相当丰富，包罗万有的武器和交通工具也都是一应俱全，从AK47到火焰喷射器、从轻便的女装摩托到重型卡车，甚至还有在特殊任务当中需要驾驶的直升机以及各类快艇，海陆空一样不少。当然，交通工具可以抢，这武器可大都得用血汗钱来购入了。不要异想天开地试图干掉武器商店的老板，他用的武器可比玩家强多了。

操作方面个人感觉更接近于后来的PS2移植版，因为原PSP版操控简洁而且流畅，但PS2版的移动和视觉转动控制过于灵敏，试玩的感受就是iOS版好像也继承了这种“过分”的灵敏，简洁是简洁，就是驾驶载具的时候加速和转弯都相当销魂，加上画面时有掉帧情况，操控手感需要适应，不过开车乱撞大概本身就是GTA的乐趣，只要别把自己撞到起火爆炸就好。

自由度一直是GTA系列标榜的卖点，无论是为恶四方，还是以行善为乐，玩家总能在游戏中找到属于自己的快乐。本作的暴力和成人化的色彩太浓，正因如此当它在中国区上架时大家都吃了一惊。玩到后面与各个势力冲突加剧你会遭受到被人围追堵截的情况，甚至警方会出动装甲车来收拾你，这时候如何用“非常”手段去解决，就靠玩家自己的智慧了。

以上就是本期精彩内容

更多精彩内容敬请关注、点赞、收藏、转发、评论

感谢您的支持与鼓励

火了15年的SONY神机PSP，最后还是输给了iPhone

难以置信， PSP 已经是 15 年前的东西了。

今年是 PSP 上市 15 周年。2004 年 12 月 12 日,初代 PSP 在日本本土首先开售。开价 19800 日元，发售当天即卖就台。可如果没有一记来自友商的“背刺”，历史也许不会如此发展。

索尼 VS 任天堂，史上最凶掌机战争

这是 PSP 的第一次实机亮相。

在那次发布会上，索尼几乎公开了关于 PSP 的一切，但就是没说发售日和价格。可等到原定公布发售计划的 9 月 21 日，任天堂突然搞了个精准狙击：就在索尼发布会前 1 个小时，新掌机 NDS 发售信息公布， 12月2日上市，定价 15000 日元。

索尼被杀得猝不及防。不光对手的定价大幅低于预期，12 月 2 日这个上市日期，也完全是贴着索尼定的（当年 12 月 3 号刚好是 PS 系列诞生 10 周年）。结果原定下午 3 点半开始的发布会，居然硬是以“高层迟到”为由推后了 17 分钟。PSP 价格、发售日两大关键信息也一并欠奉，直到接近一个月后的 10 月 27 号才公布。

War, war never changes……在这场掌机战争里， PSP 可以说是一力降十会：当时看来极为先进的 UMD 光盘，和远超 NDS ，一度让老任股价闻风而落的图形性能，都让不少评论家以为，索尼已经坐稳了第七世代掌机王的位子。

（PSP的画面表现，即便是后续的3DS也难以招架）

可 NDS 和它根本就不在一个大气层里。面对主机级画质的《山脊赛车》，任天堂扔出来的居然是《任天狗》和《脑锻炼》，两个 2000 万爆卖级别的……小游戏。

任索两家从此走上截然不同的道路：任天堂一头扎进了广阔的异质市场，除了大脑锻炼系列，《超执刀》系列的触摸笔、和以《任天狗》为代表的声控游戏，都让人眼前一亮。

索尼则越走越硬核，画面精细度和游戏特效节节攀升，大作频出。《战神：奥林匹斯之链》、《第三次生日》之类画面巅峰，是不少人心中的经典。

（ QTE 小游戏就不放了，懂的都懂）

走到中期，索尼更从卡普空手里撬来了《怪物猎人》系列，掀起一时联机热潮。怪猎在 PSP 上一共出了 3 代 4 作，合计销量 1400 万。在学校和同学偷偷联机狩猎，放假在家一个人平推战神，估计是不少玩家的青春回忆。

终其一生，PSP 在全球一共售出 8000 万台以上，是有史以来排名第 10 位的畅销主机。可索尼并非最后的赢家。如果说 PSP 这份成绩单是“取得了成功”，那卖掉 1 亿 5402 万台，差点掀翻 PS2 主机王座的 NDS ，无疑是个怪物级别的对手。

是不是觉得这历史不太对？

没错，虽然全球市场卖不过老任，但在中国大陆的情况却截然相反：PSP 的流行程度异乎寻常，几乎成了掌机的代名词。可索尼好像并不太笑得出来，因为PSP本体和软件的销量……有些不成比例。有很多人买了PSP，却一个游戏都没下单。

PSP破解史：猫鼠游戏

如果能认出这只煎蛋，说明你是真的老了。

主机也好掌机也罢，一直都是前期亏钱卖硬件，再通过软件销量赚回来。如果主机被过早破解，销量暴涨却没人为游戏买单，那就要亏疯了。而 PSP 的历史，也是索尼和黑客之间斗智斗勇的历史。

说起 PSP 破解，有三个关键词绝对绕不过去：M33、蛋图、普罗米修斯。

早期 PSP 破解，主要依靠系统和游戏漏洞来进行。如果新系统找不到可用漏洞，那就想办法降回旧版。游戏也不能直接从记忆棒启动，要有正版盘引导才行。索尼还在新游戏内加入系统版本要求，低版本破解系统的玩家不得不依赖黑客团队，对新游戏逐个解除版本限制。

2006 年，黑客大神 Dark-AleX 弄出了 PSP 破解圈的核弹：2.71SE 自制系统。这个天才般的点子，一脚把 PSP 破解踹进了黄金年代：这两年索尼的系统防护，突然变得像纸一样脆弱不堪。黑客团队推出自制系统的速度，几乎能和官方补丁同步。

（现在还能找到当年的教学贴）

更夸张的是在这之后，售后刷机用的“神奇电池”制作方法流出，刷机破解一夜之间变得无比简单。屏幕大、能看听歌电影、破解之后游戏资源丰富，还能看电子书、玩模拟器、甚至用上 Java QQ ……一台更比 6 台强的 PSP ，迅速在中国大陆流行开来。

08 年 3 月，电玩巴士在中关村“偶遇”平井一夫。据说当天姨夫在e世界买了台 PSP ，还被店主当面破解好了才带走……不知道这跟后来的改进有无关联，但索尼后续的动作，的确给黑客制造了不小的麻烦。

（图片来自电玩巴士，当年那报道还能打开）

在这之后不久，索尼推出了硬件大改的 v3 主板，以及配置小幅变化的 PSP 3000 。不光废掉了之前的破解，也堵死了神奇电池刷机这条路。v3 主板在黑客面前坚持了大约 1 年时间，然后又一次栽在了图片漏洞上。自制系统继续平推，直到 PSP 生命周期终结。

这中间还有一起悲剧。借助《王国之心：梦中降生》的破解，A9VG 论坛大神 liquidzigong 和他的普罗米修斯固件迅速流行开来。但几个月后，为了维护正版销量， liquidzigong 决定不会第一时间放出《怪物猎人3 携带版》相关破解，而是要等到首周销量公布之后。

由于游戏热度过高，上了头的伸手党们纷纷开始攻击 liquidzigong ，更有人试图对他进行人肉搜索。最终导致 liquidzigong 宣布退出 PSP 破解届，并要求各组销毁此前用于汉化的破解版游戏和固件。

（这个帖子中的两项要求均未被遵循）

固件和游戏最终还是泄露了出来，可这段中国 PSP 破解圈子的辉煌历史，就这样迅速迎来了黯淡结局。

官方维修终止、v3完美破解……PSP迎来最后结局

在生命末期， PSP 推出了两个极端的改型。上市天价的 PSP GO ，和一个不太为人所知的超级廉价款，PSP E1000。前者由于售价太高，且不支持 UMD ，一开始饱受恶评。而后者则因为阉割掉了 WiFi 模块无法联机对战，并未掀起太多波澜。

（末期超廉价型号 E1000 ）

接下来，整个 PSP 系统开始稳步走向终点：2011 年， PSP 收到 6.60 系统推送，并被迅速破解。PSV 也在这年发布， PSP 进入寿命倒计时。2014 年， PSP 彻底停产，在线商店关门大吉。同年 3 月 31 日，PSP-1000、2000 型号维修服务终止。

2015 年，索尼不知为何突然发布了 6.61 系统，但几乎没造成什么影响。之后在 2016 年情人节，开发者 Davee 放出 Infinity 固化破解杂交系统，除 PSP E1000 外均可使用。v3 主板在上市 8 年后，终于迎来可关机的完美破解。

2016 年 4 月 21 日，乙女向游戏《诸神的恶作剧 InFinite》发售，这是登陆 PSP 最后一款游戏。尽管在这之后，《剑、魔法与学院 3》曾试图在北美打破这个记录，但最终还是取消了计划，只上了 PSV 平台便草草收场。同年 8 月 1 日，PSP Go 维修服务终止。

直到今年 9 月 30 日，PSP-3000 系列官方维修服务宣告终止，一个时代正式落幕。但黑客还没有放弃努力。上个月 10 号，Davee 终于放出了支持 PSP E1000 的 Infinity2.0 系统。PSP 破解史，也同样划下完美句点。

你喜欢的游戏都还在：战神系列本来就是索尼的看家招牌，PS4 上的新作也备受玩家好评（虽然疯狂锻炼手速的 QTE 小游戏被砍了很可惜）。至于怪物猎人系列，在卡普空反复叛教后已经网游化，不光 PS4 和 XBox ， Steam 上也玩的到。

亲手发布了 PSP ，并为全球索粉贡献了一堆表情包的平井一夫先生，今年初宣布荣休。

那掌机战争呢？PSP 屹立不倒，NDS 系列销量碾压，但这里没有赢家。智能手机掀起的巨大浪潮，瞬间把整个掌机市场拍在了沙滩上。索尼曾对 PSP 寄予“ 21 世纪 Walkman ”的厚望，但最终夺走这个称号的，是乔布斯和他的 iPhone 。

历史的有趣，往往在于分岔之处。

2008 年，PSP 开始带有 Skype 网络电话服务，可以通过 WiFi 拨打网络电话。2011 年 3 月，索尼爱立信推出几乎复刻 PSP Go 外形的手机 Xperia PLAY ，这应该是已知最早的安卓游戏手机。而在 iPhone 3Gs 于 2009 年推出前，当时已经卖掉 5000 万台的 PSP ，可能一直是图形性能最强的手持消费电子产品。

索尼离那个统治世界的正确答案，曾经只差一步。

这款即将发售的最硬核高达游戏，我该如何入坑下

「虽然游戏已经到货根本无心上班，但该填的坑还是要填的。」

这是上一期“这款即将发售的最硬核高达游戏，我该如何入坑（上）”的传送门，如果还有朋友没有了解过《高达VS》系列“黄金的第一世代”和“钻石的第二世代”，可以看看。

就和上一期结尾中提到的那样，《高达VS》的前两个世代，一个是白手起家坐拥市场的开创者，另一个则是敏锐感受到市场变化的优秀继承者，凭借着《高达SEED》人气的高涨和商业上取得的巨大成功，《高达VS》也成为了当时高达粉丝群体中口碑最好的动作对战游戏。

而在2006年推出《机动战士高达SEED：联合VS扎夫特Ⅱ》的2年后，当时同样有着不俗人气的《机动战士高达00》刚完结了第一季，所有粉丝都在猜想《高达VS》的下一部作品“机动战士高达00：天人VS地球联邦”是不是快要来了。

当年3月正式上市基于SYSTEM246基板的第三世代《高达VS》作品《机动战士高达：高达VS高达》（以下简称《高VS高》）完美地向玩家翻译了“什么叫tm的惊喜”。

突破天际的第三世代

从0079到0093，从UC纪年到平成的WGX三部曲，再到最新的SEED和00，光是登场机体基本覆盖高达所有正统作品的这一点，《高VS高》就已经足够让所有高达粉丝“群体高潮”了。

COST系统的调整和简化也成为了《高VS高》最让人叫好的改动，这个系统也是系列一直沿用至今的，我们可以先看看前作《联VS扎Ⅱ》的COST是怎么算的：队伍COST为1000，不同机体的COST不要太多了，命运高达COST是590，脉冲高达COST是450，炮扎COST是420，基恩COST是270，按照之前的队伍组合规则，两人COST相加需要无限趋近于1000，但又不能等于或者大于1000，COST搞那么复杂不是让玩家在选择机体组合的时候还要动一番脑吗？

《高VS高》就不一样了，队伍总COST为6000，根据机体实力的不同，又分为1000/2000/3000这3种COST，在队伍组合搭配上，它就简化了许多。

不止如此，《高VS高》还加入了名为COST OVER的系统，简单来说就是被击坠的机体HP会按照剩余COST的比例复归，这无疑是对于游戏平衡的大幅加强，而且在COST OVER的加成下，高配低的COST组合不再是万能解，很多中低COST的机体也有了更多的出场机会。

除了是能满足所有粉丝“关公战秦琼”的想象力，平成之后的高达作品中各路兼顾了美型和POWER的人气机体的加入，也让《高达VS》的整体风格继续向着“超级系”变迁着。

首先光是格斗、射击、特殊格斗已经不足以把新机体丰富的武装表现全了，格斗连段也对于各种核心玩家也已经不够满足了，《高VS高》里又加入了“射击键 喷射键”的特殊射击和“射击键 格斗键 喷射键”的召唤援护，用不同的射击武装进行交替攻击，也能取消部分射击动作的硬直，形成射击连段。

拿元祖RX78举例，它可以在主射光束步枪之后接副射火箭筒，在火箭筒之后又可以接特射光束标枪投掷。

也是从《高VS高》开始，很多机体的特格和特射都已经同“格斗”和“射击”没有关系了，比如Z高达的特格是紧急变形推进，强袭高达的特射是武装换装，对于原作党来说，每一台机体都有着异常还原的武装和设定，但卡普空在“还原设定”和“易于上手”之间没办法掌握好平衡，《高VS高》新鲜是一回事，玩家的评价又是另一回事了。

玩家对于《高VS高》的评价并不算好

这里还是要插一个小故事，当时《高达VS》的玩家之间一直流传着一个“1bug6强”的说法，其中1BUG指得是《高VS高》里COST值3000的自由高达，它有多BUG？

自由高达的特射是“取消觉醒”，作用是可以在高速移动中取消几乎所有动作的硬直，而它还有个“爆种”的能力，发动之中几乎所有动作都能取消其他动作的硬直，这就好比是你这边手里拿着火绳枪步枪，但好歹可以通过三点射击的方式弥补了射速的不足，结果发现对面那小子拿出了加特林。

在维基上，玩家称当时的自由是“最凶最恶”的机体

如果这么说你还没办法理解自由高达在《高VS高》里有多强的话，在2008年的全国大赛上，当时大赛邀请到了阿姆罗的声优古谷彻作为嘉宾，在当时大赛中，每一支队伍都必备一台自由（没有之一），引发了古谷彻先生的疑惑，当时古谷彻还亲自下场开始RX78元祖高达和这些玩家进行了一场友谊赛，结果可想而知，这次大会被冠以了“全国大会的悲剧”之名，最终让赛事举办者和卡普空都非常尴尬。

其实当时卡普空在制作《高VS高》的时候，并不是没意识到自由高达“取消觉醒”和“爆种取消”的强力，自由高达的血量是3000机里最低的，只有550，但就和夏亚的那句名言一样：“再强力的攻击，只要打不到就没有意义”，血再少，只要机动能力够强不被打到就没有关系。

而对于自由高达这种“勇者根本没办法击败的恶龙”，卡普空的解决方案就更加令人玩味了。

2009年的3月，《高VS高》的加强版《机动战士高达：高达VS高达NEXT》上市了，它移植PSP平台的《高VS高NEXTPLUS》应该是国内《高达VS》玩家里知名度最高的了。

在《高VS高NEXT》里，卡普空高调地宣布了“我们解决了自由太BUG的问题”，用得方法是“这下所有机体都是恶龙了”。

游戏引入了一个名为“NEXT DASH”的系统，它让所有机体的几乎任何武装和动作都能通过Boost Dash（BD）取消硬直，甚至不需要前作中自由“特射”或“爆种”那样的条件。而这种“AA的BB太强了，我们让所有机体都能BB”不就行了的操作，今天的文章里应该还能看到好几次。

NEXT DASH的引入，可以说是《高达VS》这个系列彻底往核心玩家向发展的分水岭，在此之前，《高达VS》更像是一个考验配合和需要玩家对局势进行判断，操作和策略并重的对战游戏，从这之后，《高达VS》已经有了一些传统格斗游戏圈子的“屠夫可以随意吃肉的恶臭味儿”。

只要反应和手速够快，那你肯定能比对手更先出招，出招后的硬直也更小，再加上高手玩家对于新手玩家技术的绝对碾压，《高VS高NEXT》已经没有了“非常考验配合的2V2对战”和“老少咸宜”的味道。

《高达VS》的第三世代可以说是这个系列充满争议的2年，一方面能有一次大刀阔斧地对参战作品进行改革，让这些系列成为真正的“高达VS”，这是所有高达迷们都喜闻乐见的；

客观地看，我们也并不能说《高VS高》的核心化，劝退一部分轻度玩家是不对的，毕竟作为卡普空出品的游戏，《高VS高》并没有辱没了“动作天尊”的名声。所以现在的我依然觉得第三世代的素质是突破天际的。

缝缝补补又三年的第四世代

要说第三世代唯一让人有些不满意的地方，应该是2009年的时候PS3都上市3年了，《高VS高NEXT》用的还是PS2的System246基板，画面表现力实在难以和时代接轨。

所以在2010年9月，基于PS3的互换基板System 357的第四世代《机动战士高达：EXTREME VERSUS》（以下简称《高达EXVS》）终于在粉丝的期待里上市了。

无愧于《高达VS》10周年的纪念之作，大幅强化的画面表现，数量更多，涵盖更多登场作品的机体，得益于网络便利，可以进行在线更新调整机体平衡性，最终实现了整个《高达VS》系列最平衡的一作《高达EXVSFB》。这其中还有一个小插曲，《高达VS》的前三个世代的游戏制作都是由万代方出制作人，卡普空出主力的形式合作完成的，而第四世代万代南梦宫组建了一个新的小组—VSTG PROJECT，并制作之后所有的《高达VS》系列游戏。

结果也是好的，虽然没有动作天尊的监督，第四世代《高达EXVS》的动作体验依然是最顶级的。第四世代的作品是最多的，《高达EXVS》→《高达EXVS：FB》→《高达EXVS：MB》→《高达EXVS：MBON》→《高达EXVS2》，这几部作品的大致进化是这样的：

《高达EXVS》：格斗动作可以通过step取消，会有彩虹色特效，俗称“虹格”，让偏格斗的机体们有了放心当冲逼的资本；

《高达EXVS：FB》：加入了2500COST的机体，所有机体操作进一步繁琐化，前作只有格斗有“方向键 指令键”区分不同的动作，本作多了“横特射”“后特格”等更多的招式派生；

《高达EXVS：MB》：加入了1500COST的机体，觉醒系统基本成熟，分为“S觉（强化射击）”和“F觉（强化格斗）”，在机体血量变低时还会有提升能力的OVER Drive（并不是波纹疾走！）模式；

《高达EXVSMB ON》：系列首次实现了在街机上也能和联网对战的功能，同时增加了一个强化回避能力的“E觉”。

《高达EXVS2》：基于全新的基板System BNA1制作，画面表现提升，加入了强化机动力的“M觉”和快速回复BD槽、残弹量的“L觉”。

制作组对于《高达VS》系列该如何变得更加平衡和有趣的解读非常简单：哪台机体的什么武装很破坏平衡，那我们接下来让所有机体都能用就行了。

比如游戏里有一个名为“下落取消路线”的走位技巧，因为BD的瞬间机体会有一个速度大幅提升的前冲，但很快这个冲刺速度会慢下来，而机体落地之后的硬直时间是根据BD槽的余量的减少而变大的。

这个技巧则是通过在BD最大速度中取消BD，并按跳跃让机体上升，利用BD冲刺的惯性落地，做到不消耗BD槽而大幅度移动，且落地硬直最小，根据BD后跳跃是否回推摇杆，和推摇杆的方向，这个技巧还有各种“大跳、小跳”的细分。

机体在空中时BD槽是不会回复的，在空中待得越久，也越容易成为靶子，下落取消路线就是解决这个成为靶子问题的关键，比如独角兽高达，可以通过在空中使用援护攻击 主射快速缩短滞空时间并下落。

而在后期作品《高达EXVS：MBON》和《高达EXVS2》中，后续更新的机体基本都带有这种“下落取消路线”功能，在被称为“第五世代”的《高达VERSUS》（已经变成一个笑话了，不提也罢）中，更是有一个名为Boost Dive的系统，滞空时简单推右摇杆就能快速取消动作硬直并下落。

也正是这种“什么强就全面实装”的平衡做法，已经让更多玩家都无法驾驭《高达VS》这头巨龙了。

让我们总结一下，截止最新作《高达EXVS2》，一个玩家光是入门该会什么吧？

基础操作依然不复杂，一个负责移动的摇杆，格斗、射击、喷射、切换锁定，4个基础功能键。

副射击、特殊格斗、特殊射击、援护召唤，组合功能键的数量更多，很多机体还有强力的“蓄力武装”，在2500COST往上的机体里，大部分还都是有“射击蓄力”和“格斗蓄力”两种的。

别忘了还有各种“方向键 指令键”的派生招式，一个对战游戏中，玩家能准确熟练搓出对应的招式并不是什么高深的技术要求吧？

你得熟练掌握自己想要用的那台机体的各种“取消路线”，包括但不限于射击连段、下落取消、BD取消，毕竟拿着火绳枪肯定打不过全自动步枪吧？

光是这样还不够，作为一个对战游戏，你对面是活生生的玩家，你对机体性能的了解需求是双向的，你也得知道对面的机体能干什么，而现在登场数量最多的《高达EXVS：MBON》有183台机体，去除一些不热门也不强力的机体，你要深入了解的机体数量也在60台以上。

这是中文维基上牛高达的攻略，是不是有一种分开看都能看懂，组合在一起又完全不知道讲什么的味儿？

现在知道为什么我会觉得《高达VS》系列才是高达游戏里最硬核的那一个了吧？

发展到现在，《高达VS》这个游戏圈子已经完全核心玩家化了，就拿我举例子，在上学那会儿，基本上每个有PSP的朋友都会装一个《高达VS高达NEXTPLUS》，有空大家总会拿出机子打上几把。

但现在，我身边已经很少有接触过《高达EXVS》并且还在玩的朋友了。

如果问我PS4版的《高达EXVS：MBON》值不值得买？我的答案是肯定的，毕竟逆移植自街机的本作可以说完美超越了“原汁原味”，原版基本上已经可以说是现在能玩到的最好的《高达VS》了，而PS4版机体数量更多，街机模式、网络对战模式、自由模式等，可玩内容相比原版也更为丰富，任何一个高达迷都不该错过它。

但如果你要问我如何才能快乐地进行网络对战，我也只能劝你：不要加群、不要加群、不要加群！找几个水平差不多，知根知底的好友一起玩，才能获得最好的网战体验，毕竟谁也不想碰见一个喊着“我也是萌新，大家一起交流进步”，在网线对面却是提着刀，留着口水想虐新的屠夫吧。

我真的玩了AI绘图做的游戏，不过和我想的不大一样

作为素材库的AI绘画

AI绘画的话题，只要你是在今年网上冲浪过，就能或多或少看到它的消息。

没办法，毕竟这玩意儿看起来实在是有点，怎么说呢，“行业革新”？

远了不说，就拿画画举例，这本来是个非常有技术含量的活儿，至少在我短暂的学习素描的那段小学生涯，日复一日的枯燥排线让我满脑子想着和院子里的其他小孩一样聚成一坨玩PSP，三心二意的我自然没学成素描这门手艺，而我学水彩画的表弟认真搞了两年，拿出的作品就已经可以让我高攀不起。

——说了这么多，其实就是想用自身的经历来证明一下，作为一门手艺活，画画的门槛还是蛮高的，也许迈出一步不难，但贵在坚持。

就这样一个我学习过并且失败在半途中的一门手艺，我还清楚的知道它的难处的情况下，我现在可以用软件就能画出远超我表弟水平的画作（如果再加上一点PS技术将是薄纱），在我个人的视角下，这实在是太具有科学的魅力了。

在绘画比赛中拿到第一的AI绘画作品

所以当我看见网友们源源不断产出各类艺术风格的图片时，我不禁想，把这些AI绘制的图片，整到游戏里效果会怎么样？

说干就干，虽然我可能不是第一批想到的，但我很快付诸了行动。

我并没有制作游戏那两下子，但好在我最近沉迷于DND跑团（又名龙与地下城，通俗来讲是一款角色扮演桌游），作为这款桌游的主持人（DM），我只要有着一个编排好的剧本，就可以带领我的玩家度过一个美好的休息日下午——这给我利用AI绘画提供了基础。

我先是作为新手制图师在软件里一通瞎研究下，整出了这样一个角色立绘：

这个角色的模样让我即刻拥有了一个“力量来自于核心宝石的神秘生命”的人设，然后我让这个角色给玩家发布了任务，内容是找到他创造的其他三个同类型的神秘生命，交涉或是击杀带来它们的核心宝石（虽然这么说，我的玩家都是直接踢门莽穿），将这位胸口上的项链填满。

有了这个故事脉络，其他几位出场角色也在AI绘画的帮助下很快的完成了。

只有两个角色其实是我的一点剧情设计，各位老哥无需纠结

就这样，我用AI绘画，简单的用一个下午就制作出了一款“游戏”，并且给几位玩家提供了足足两周（游戏时间15个小时）的美好游戏体验，他们表示“DM这次的反派居然还给立绘了，找画师没少花钱吧”，在我说出其实是AI绘画后还让我享受了一番他们的“惊讶”。

不过我的玩家所说的，倒也是许多玩家的普遍想法，在如今这个大家越来越重视的版权意识的时代，诸如角色的立绘，地图的场景，甚至是一些剧情的衔接CG，大多都是要花钱的。搞游戏开发的小伙伴们都知道，做游戏最烧钱的就是美术部分，目前市面上接近一半的原画岗位都是游戏公司提供的。

这时候看来，AI绘画这门技术可以“革新”的，就不只是画画这一个行业了。

“首个”AI绘画AI配音的同人GALGAME游戏《夏末弥梦》Demo很快就出现在了大家的视野中，虽然我不清楚这作者自诩的“首个”是否准确，但它的确是包括我在内的很多玩家见到的第一个由AI辅助创作的游戏。

作者本人介绍说，《夏末弥梦》从想法成型到DEMO完成仅花费了3天，游戏中的角色是以VTB弥希Miki为蓝本再由NovelAI生成的AI绘画，而语音部分则是由VITS（一款AI语音工具）合成的AI配音，这在当时让许多人期待着AI绘画游戏的未来。

但说到底，《夏末弥梦》依旧只是把AI绘画当做素材库来使用，并没有把“鸡”和“篮球”结合起来思考。

如今过去了几个月，在贡献出一批又一批的新时代涩图后，AI绘画的其他能力终于有人慢慢的开发出来了。

摆脱了素材库的身份，AI绘画的可玩性依旧十足

想摆脱AI绘画的素材库身份，就要搞清楚AI绘画真正吸引人的地方在哪里。

AI绘画作为一个软件，通过你输入的标签，在一个对比画师来说极短的时间内生成数张符合你要求的图片，并根据你的后续的进一步要求改进画作细节与轮廓——这是显而易见的使用者与工具的身份，迟钝的我并看不出什么更新颖的东西，所以上面介绍的我制作的“游戏”也只不过是单纯的使用工具罢了。

名为“莉萝爱萝莉”的绅士UP主也想用AI绘画整个游戏，与我不同，他的确会一些游戏制作相关的知识，他最开始就盯上了AI绘画的优势——可以短时间内生成大量插图与立绘，于是他很快联想到了需要大量插图与立绘的抽卡手游。

但在他花了一天时间生成了种类繁多的原画CG后，他意识到了这样下去，无非是给市场提供了一款换了个皮的垃圾抽卡手游而已。于是他转变方向，打算制作其他类型的游戏，只用AI绘画提供素材——但这又回到了最开始的节点，他想做的是一款AI绘画游戏，而不是仅仅把它当一款素材库。

图为B站视频“我做出了第一个以AI绘画为核心的二次元游戏！”

在他的视频中，他分享了自己的一段梦。

“梦里有一个声音在和我说话，它说小兔子，我的面前出现了一只毛绒绒的小兔子；它说小鹿，我的面前出现了一只玻璃雕塑的梅花鹿；最后，那个声音轻轻的唤出了我的名字。”

在梦醒后，他明白了AI绘画真正的优势——每一张图生成都是随机的，因此又是独一无二的。换句话说，如果这是在你手机上实时随机生成的游戏插画，那么这张插画就是只有你一个人能享受到的专属体验。

明确了这点的他，很快就盯上了与“独一无二”适配性最好的Roguelike游戏，他以自己曾经制作的一款半成品游戏为基础，做出了一个属于AI绘画的独特板块——玩家在用卡牌战胜敌人后，可以设定tag并抽卡，获得属于你的专属卡牌。

出于游戏性，作者把这里设置成二选一

之后作者还加入了诸如“通关游戏后，可以选择一张在本局获得的卡牌加入收藏”一类的收集要素，找到了方向的他也越来越顺手。

与“莉萝爱萝莉”相反，制作过究极缝合怪游戏《创世理想乡》的 Pocketpair 看到了AI绘画的另一个可能性——除了养老婆画涩图，这玩意儿很适合整活啊。

他们将AI绘画与一款在桌游届与综艺节目里非常火的“谁是卧底”结合起来，制作了一款名为《AI: Art Impostor》的游戏。

不光缝，缝的还很坦然

在《AI: Art Impostor》中，游戏会随机数个主题给四名玩家投票选择，在确定主题后，会随机发放一个详细命题，其中有三位艺术家可以收到这个命题，而假艺术家只能看到所有人可见的大选题。

例如在这局游戏中，我们选择了“食物”作为主题，身为艺术家的我们，则收到了详细命题“意大利面”。

接下来就是游戏有趣的部分：玩家需要选择自己心仪的画风，然后使用内置的AI作画，描述你想要给出的画面，比如这里我给出了“意大利威尼斯海岸边上的餐厅”作为生成词，并在轮到我的时候选择公示的照片，通过每位玩家的招牌来判断，他是否是知道命题的艺术家。

有意思的是，由于使用的AI绘图软件中有大量涩图的内容

所以游戏经常会给一些生成的图片打上重重的马赛克——君子你也防？

这位画出了番茄的朋友，很明显就是友军了

画风的选择多种多样

即使在最后的投票界面，我们投票找出假艺术家后，假艺术家还有一次“究极大逆转”的机会。他可以在系统给出的十余个选择中选出隐藏起来的那个详细命题，如果各位艺术家们画作过于暴露，假艺术家在这里选对了答案，那么游戏依旧会判定假艺术家获胜——这让这款游戏一瞬间尔虞我诈了起来。

虽然刚发布几天的这个游戏由于网络原因，在中国游玩的玩家经常会卡到无法正确生成图片，但游戏的确是支持中文以及支持中文输入关键词用来生成图片的，想来给制作组一点时间解决了这个BUG，玩家会越来越多。

不过从上面介绍的两款游戏中也能看出，现在对于AI绘画的使用已经慢慢有人脱离的传统思维的桎梏，无论是绅士组还是整活组，都在探索者AI绘画对于游戏界的可能。

这让我非常期待下一次能听到AI绘画带来什么好消息——比如整个AI绘画壁纸软件之类的。

CVPR 2018 中国论文分享会 之人物重识别及追踪

雷锋网 AI 科技评论按：本文为 2018 年 5 月 11 日在微软亚洲研究院进行的 CVPR 2018 中国论文宣讲研讨会中第三个 Session——「Person Re-Identification and Tracking」环节的四场论文报告。

图森未来王乃岩博士做了第一个报告。在行人重识别中，不同的图片对行人的识别率不同，那么到底需要几帧图片才能够准确地判别一个人的身份呢？王乃岩博士针对这个问题，提出了一种自适应强化学习模型，也即自动学出做出准确判断所需要的帧，其结果显示只需要视频流的 3%-6% 即可获得最好的结果。而事实上这可以作为一种通用的方法用在别的研究任务中。

第二个报告由来自北京大学特聘研究员张史梁介绍他们在行人重识别研究中对「数据对性能的影响」的思考。他们发现，尽管在特定数据集中许多方法能够达到超越人类的水平，但是在实际应用中却表现极差。原因是，目前公开的数据集在数量、场景、时间段、光照等维度都过于单一；且由于不同数据集收集时的标准不同，很难实现跨数据集的研究和应用。基于这样的思考，他们花费很大精力构建了目前看来最大的多场景、多时间段、多光照强度的数据集 MSMT17；此外，他们还涉及了 PTGAN 网络，用于将不同数据集的风格进行融合，以达到相互利用的目的。

随后是由港中文-商汤联合实验室的李鸿升教授介绍了他们在行人重识别研究中的新视角。李鸿升教授在今年的 CVPR 中共有 7 篇入选论文，这里他只介绍了其中两篇。第一篇为 oral 论文，他们考虑到图片之间具有组相似性，而现有的方法大多忽视了这种相似性；基于这种思考，他们提出了用组相似性的约束的全局 loss 函数，取代了之前只是基于局部的 loss 函数。第二篇论文中他们发现图片背景对模型重识别行人有很大的影响。

最后由来自商汤科技的武伟博士介绍了他们在目标追踪方面的工作。基于实际安防监控工作的需要，他们设计了一个利用孪生（Siamese）网络和区域候选网络（Region Proposal Network）构建的高速且高性能的单目标跟踪算法。该算法在 VOT 2016 和 VOT 2017 数据集上都取得了 state-of-art 的结果。

雷锋网注：

[1] CVPR 2018 中国论文宣讲研讨会由微软亚洲研究院、清华大学媒体与网络技术教育部-微软重点实验室、商汤科技、中国计算机学会计算机视觉专委会、中国图象图形学会视觉大数据专委会合作举办，数十位 CVPR 2018 收录论文的作者在此论坛中分享其最新研究和技术观点。研讨会共包含了 6 个 session（共 22 个报告），1 个论坛，以及 20 多个 posters，雷锋网 AI 科技评论将为您详细报道。

[2] CVPR 2018 将于 6 月 18 - 22 日在美国盐湖城召开。据 CVPR 官网显示，今年大会有超过 3300 篇论文投稿，其中录取 979 篇；相比去年 783 篇论文，今年增长了近 25%。

更多报道请参看：

Session 1：GAN and Synthesis

Session 2: Deep Learning

Session 3: Person Re-Identification and Tracking

Session 4: Vision and Language

Session 5: Segmentation, Detection

Session 6: Human, Face and 3D Shape

一、将增强学习引入行人重识别

论文：Multi-shot pedestrian re-identification via sequential decision making

报告人：王乃岩，图森未来，首席科学家

论文下载地址：https://arxiv.org/abs/1712.07257

所谓行人重识别任务，即将来自多个摄像头的不同轨迹中的行人（例如多张图片或者视频图片）进行身份识别。这在安全领域中的视频分析、视频监控具有广泛的应用基础。在实际中多张图片能够提供丰富的信息，但是同时也带来了大量的冗余，甚至潜在的噪声。解决这一问题的关键在于如何将多张图片中的特性进行聚合。

1、背景

目前实现特性聚合的方法主要有两类。一类是 feature pooling，也即将每一帧图片的特性提取出来后，在对所有帧的特性进行 pooling，从而提取出 frame level 的特性。另一类方法是时序模型，也即假设图片之间存在时序，然后使用光流/LSTM 的方法对 frame level 特性进行融合。

王乃岩在这篇被 CVPR 2018 接收的文章中考虑到，行人重识别应当对不好的检测（例如重影）或遮挡具有更高的鲁棒性，同时对不同图片中行人的识别有一定的弹性。

如上图所示，左侧两张图片可以很容易检测出是否是同一个人，因此期望设计出的模型只是用一对图片做判别即可；而另一方面，右侧的图片，由于遮挡、模糊的原因，一对图片很难判断是否是同一个人，因此希望模型能够自动地选择适量的图片对进行行人身份判断。

2、方法

基于上面的考虑，王乃岩团队提出了一种称为「自适应强化学习」（Adaptive Reinforcement Learning）的模型，如下图所示：

这里有几个关键点需要特别指出：

（1）Actions。图片对生成的 feature 送入 agent 后，agent 将作出三种判断：same，different 和 unsure。当判断结果为 unsure 时，就会返回到开头重新进行判断。

（2）Reward。如果目标图片与 ground truth 图片匹配，那么奖励为 1；如果不匹配，或者尽管还不确定但所有的图片都已经对比完了，那么奖励为-1；否则，当图片对还没有对比完且也没有确定是否匹配，那么奖励为 r_p。显然这里 r_p 大小的设定影响着奖励的结果，如果设置为负值，那么它会因为请求更多图像对而受到惩罚；而当设置为正值，它就会被鼓励收集更多的图像对，直至对比完所有的图像，此时 r_p 会被强行设置为-1。

（3）输入 agent 的 feature，除了学习到的当前图片的 image features 外，还利用了历史 feature（也即前面的判断结果，进行加权平均）和手工设计的距离 3D feature。

（4）学习算法为比较经典的 DQN，学习得到 Q-Value 以判断两张图片中的人是否是同一个人。

3、结果

这张对比结果是，当设置每个 episode 中图片对的最大数量（例如 4 对）时，ARL 方法相比 baseline 的结果。可以看出即使使用少量的图片对也能在 CMC Rank 中取得极好的分数。

这张图片可以从定量的角度来看该模型的优点。当设置视频流包含 200 张图片时，ARL 方法只用 3 - 6 张图片即可达到近似于使用全部图片的效果。

最后展示一下，训练过程中 same、different、unsure 三个 state 分数的变化。左侧的图显示了对不同的图片判断结果所需要的图片对数量也不同，模型能够自适应选择。右侧是相应的分数变化。

4、总结

这篇文章算是首次尝试将增强学习方法引入到 multi-shot 重识别问题当中，其结果显示可能只需要所有图片（例如视频流）中的 3%-6% 的图片即可获得最好的结果。可能这里更为关键的是它可以使用到 single-shot 重识别问题中。据王乃岩表示，这种方法除了能够用于行人的重识别外，或许也可以作为不确定估计的一种通用方法。期待他们接下来的研究成果。

二、最大、多场景、多时间段行人数据集

论文：Person Transfer GAN to Bridge Domain Gap for Person Re-Identification

报告人：张史梁，北京大学

论文下载地址：https://arxiv.org/abs/1711.08565

这篇文章可能提供了最大的多场景、多时间段的行人数据集了。

从 2005 年行人重识别任务首次提出后，经过 2014 年深度学习被引入该领域，行人重识别的研究得到大量的研究（例如 CVPR 上行人重识别的文章从 2014 年的 3 篇剧增到今年的 32 篇），在这些研究中各种模型所表现出的性能也逐步提升，在今年的一些数据集（例如 CUHK03、Market501）上一些方法的表现甚至超越了人类。

1、行人重识别真的超越人类了吗？

一个让人不禁产生的问题是：我们真的已经解决行人重识别的问题了吗？

事实可能是并没有。对比大多数实验中所使用的数据集和真实世界的数据集，就可以发现仍然存在着很大的差别。例如下表中的五个已有的公开数据集 Duke、Market、CUHK03、CUHK01、VIPeR 与真实世界数据集的对比：

可以看出这些公开数据集有以下几个问题：数据量小、场景单一（indoor 或者 outdoor）、相机数量少、时间短、光线条件单一等。

此外，在实验中大多数情况下，训练数据和测试数据的数量都接近于 1 : 1。但是在现实世界的数据中，训练数据往往只占全部数据中很小的一部分，因此在实验中表现良好的模型放到真实世界中可能并不能获得很好的效果。

2、如何进一步促进？

有了以上的考虑，怎么才能够进一步促进行人重识别的研究，以便能够在现实生活中加以应用呢？

第一个想法就是：我们需要有更加真实的数据集。这个数据集的采集应该更加接近真实世界，也即有更多的行人、更多的相机、更多的 bboxes，同时也应当有复杂的场景（既有室内也有室外场景），更加重要的是要还要有不同时段和不同光照下的数据。

解决训练集和测试集严重不均衡的问题，张史梁等人认为一个可行的思路就是重用已有的标注数据。例如在 PRID 中训练集较少，那么可以利用 CUHK03 的数据集进行训练，然后在 PRID 中进行测试。但是这种方法并不像想象的这么容易，例如上面的例子，Rank-1 精度只有 2%。思考其背后的原因，可能是因为在这两个数据集中有不同的光照、背景、相机参数等。

基于这两点考虑，张史梁等人做了两项工作，首先是构建了一个大型的多场景多时段的数据集 MSMT17；其次构建了一个 Person Transfer GAN，用于将不同的数据集进行融合，以便在同一个任务中使用。

3、数据集MSMT17

从上图中可以看出 MSMT17 的相比于其他数据集的一些优势。构建这个数据集共使用了 15 个相机，其中 12 个为 outdoor，3 个为 indoor；总共收集了 180 个小时的数据，每个月选择天气环境不同的 4 天，每天早、中、晚分别 3 个小时。他们选择 Faster RCNN 对这些行人进行 bounding box detection，这个标注过程花了两个月的时间，一共有 126441 个 body boxes。为了模拟真实世界中的环境，他们选择了 4101 个对象，其中 1041 个人用作训练，3060 个人用作测试。该数据集目前已经公开，可以说是该研究领域最大的数据集。

感受一下 MSMT17 数据集中的一些案例：

这里有光照的变化、场景和背景的变化、多样的姿态以及遮挡物等多种复杂条件。

4、PTGAN

这个 GAN 网络的目标就是将一个数据集 A 上的风格（包括背景、光照、照相机参数等）转化为另一个数据集 B 的风格，转换完之后则可以使用数据集 A' 作为数据集 B 的训练集。这里要保证两个方面：第一，变换后的风格符合数据集 B 的风格；第二，要保证变换前后人的身份信息不变。

张史梁等人提出的 person transfor GAN（PTGAN）如下图所示：

PTGAN 的训练过程主要由两个 Loss 来约束。

第一个是 Style transfer，即 A 经过 transfer 后风格尽可能和 B 相似，这是一个 unpaired image-to-image translation 任务，因此它就直接采用了 Cycle-GAN 的 loss 函数。另外一个就是 ID loss，保持身份尽可能地不发生变化，这里采用了 PSPNet 的 loss 函数。下图是三种 GAN 模型作用在输入图片上的结果对比：

下面变换前后的对比图之一，从 CUHK03 到 PRID-cam2 的变换：

用变换后的数据训练训练 GoogLeNet，然后在 PRID 数据集上进行测试，结果如下表：

可以看到经过变换后的表现得到了大幅度的提升，例如 CUHK03 - PRID cam1 实验中，Rank-1 分数从原来的 2.0% 一下子提升到了 37.5%。

5、总结

能够适用于真实环境中的行人重识别模型才是真正的好模型，为了实现这点，张史梁等人提出了两种方法。一方面他们构建了一个目前来讲最大的近似真实世界的数据集 MSMT17；另一方面他们希望能够通过数据风格迁移在不同的数据集之间搭建一个桥梁，提出了 PTGAN 模型。

相关代码和数据：https://github.com/JoinWei-PKU

三、行人重识别中的背景影响到底有多大？

报告题目：Towards More Robust Person Re-identification with Group Consistency and Background-bias Elimination

报告人：李鸿升，港中文-商汤联合实验室

论文：

1. Group Consistent Similarity Learning via Deep CRFs for Person Re-Identification (oral)

2. Eliminating Background-bias for Robust Person Re-identification (Poster)

李鸿升教授所在团队在今年的 CVPR 上共有 7 篇行人重识别的论文被录用，其中 1 篇 oral，6 篇 poster。在这次分享会上他着重介绍了上述两篇内容。

所谓行人重识别，按照李鸿升教授的说法，即给定一个检测图片，依据相似性对图片集中的所有行人图片进行排序。这其中的关键问题是，如何学习行人图片之间的视觉相似性。

1、基于组一致性约束条件的行人再识别

现有方法在通过深度神经网络学习视觉相似性时，一个局限性问题是在其 loss 函数中只用了局部约束。例如下图所示的 pairwise loss、triplet loss 或者 quardruplet loss：

这种局部约束的 loss 函数不能描述图像之间的相似性。基于这样的思考，李鸿升等人认为应当构建一种基于组别相似性的新的 loss 函数，这种函数不仅能够描述局部相似性，还能够描述图片之间的相似性。

如上图所示，局部相似性仅仅考虑两幅图之间的相似性，而全局相似性则考虑 gallery images 中群组之间的相似性（probe image 也可以视为一个 group）。其方法的框架如下图所示：

共分为三步：先进性深度多尺度 feature embedding（使用了 ResNet-50 作为主体网络），然后对图片进行一个局部的相似性估计（得到两张图片 I_m,I_n 的局部预估计相似性为 t_mn），最后一步为组相似性增强。

他们假设：给定一个图片 I_p，如果它与图片集 I_i 相似，而图片集 I_i 与图片集 I_j 相似，那么 I_p 也与 I_j 相似；否则如果 I_p 与图片集 I_i 不相似，而图片集 I_i 与图片集 I_j 相似，那么 I_p 与 I_j 不相似。而组相似性取决于整个图片组。

如果记 I_p 和 I_i 之间的组相似性为 y_pi。那么基于组相似性的 CRF 模型即为：

这里组相似性应当尽可能地接近于通过 CNN 网络估计出的局部相似性，因此有：

（unary term）

（pairwise term）

他们的实验结果如下：

可以看出基于组相似性的重识别效果相比之前的 state-of-art 工作有显著地提升。

2、消除背景偏差

已有行人重识别方法中，大家都是用整张图片作为一个独立的数据样本去训练和检测，但是他们忽略了一个问题，即：行人和背景是不同的对象，在识别行人中，图片背景会带来偏差。如下图所示：

与 query 图片有相似背景但不同行人的图片排在 rank 6，而同一行人不同背景的图片却排在 rank 25。那么在行人重识别中，背景到底会带来多大的偏差呢？李鸿升等人通过在 CUHK03 和 Market-1501 数据集上使用 human parsing mask 的方法获得了 3 类数据集：mean background、random background 和 background only，如下图所示：

他们用原始数据集进行训练后，在 mean background、random background 进行测试：

发现去除背景或者（尤其是）随机换背景后，性能出现大幅度的下降。而另一方面他们尝试只用背景图去训练，然后用原图和背景图做测试：

发现前者的表现并不差。这说明在之前深度学习模型中背景起到了相当大的影响，也同时给行人重识别带来了偏差。

基于这种发现，他们构建了一个 Person-region Guided Pooling Network。

首先他们通过 huaman parsing 方法获得 4 类人体 parsing map（整体、头、躯干、腿），然后用这些 parsing map 从不同的人体区域做特征池化。他们分别对有无背景以及不同比例、on-off line 做了实验对比：

他们发现通过 online 且随机替换掉 50% 的原图的背景能够得到最好（限于对比实验）的结果。

同时他们也将这种方法与其他 state-of-art 方法进行对比：

发现在不同数据集上这种方法的表现有显著的提升。

4、目标检测落地安防有待性能和速度同时提升

论文：High Performance Object Tracking with Siamese-network

报告人：武伟，商汤科技

论文下载地址：暂无

目标追踪不同于目标检测，首先对于追踪的目标没有一个预定义的分类；其次在整个视频帧当中只有第一帧带有标注；此外，也没有可用于训练的数据存在。

据武伟介绍，他在商汤主要负责安防监控方面的研发工作，之所以考虑做目标追踪，是因为业务需要。现有的单目标跟踪算法很难兼顾到性能和速度，只能再某一个指标上占优。但是在实际应用中则不得不考虑，在不影响性能的同时如何进一步提高速度。

基于这种业务需求，武伟等人提出了一种端到端的深度学习框架，具体来说就是利用孪生（Siamese）网络和区域候选网络（Region Proposal Network），构建了一种高速且高性能的单目标跟踪算法。如下图所示：

整体上，算法分为 Siamese 特征提取网络和 Region Proposal Network 子网络两个部分。二者通过卷积操作升维，统一在一个端到端的框架里面。

训练过程中，算法可以利用密集标注（VID）和稀疏标注（YoutubeBB）的数据集对进行训练。相比于现有方法，稀疏标注的数据集大大增加了训练数据来源，从而可以对深度神经网络进行更充分的训练；Region Proposal Network 中的坐标回归可以让跟踪框更加准确，并且省去多尺度测试耗费的时间。

实验方面，本跟踪算法能在保持高速的情况下（160fps），在 VOT2016 和 VOT2017 数据集上取得 state-of-the-art 的结果。

(Performance on VOT 2016)

(Performance on VOT 2017)

再来看一张追踪效果：