論文筆記 Beyond Part Models: Person Retrieval with Refined Part Pooling_ECCV_2018

1. 摘要

使用part-feature 可以起到更好的效果，不過這個須要咱們很好地定位part的位置。 本文中做者集中考慮part內部的一致性，提出了 part-based convolutional baseline(PCB)結構以及refined part pooling (RPP)的方法。 刷新了數據集market－１５０１，DukeMTMC和CUMK03 的state-of-the-art

2. 介紹

做者此篇文章不須要額外的操做，好比一些姿態估計等，直接關注part內的一致性對輸入圖像進行分part。 PCB結構利用卷積描述子而非全鏈接描述子（及去掉FC層），對每個part進行全鏈接，後接一個softmax分類器。 RPP從新定位part的邊緣，利用part內部一致性，調整邊緣使得更好地part，使用soft 分割的方法。 論文的貢獻主要集中在： （1）提出PCB的框架 （2）提出RPP的分塊方法

3. 方法

PCB pipline

PCB 的訓練階段，每一個part接一個全鏈接層，後加一個softmax分類。而在測試階段，先是cancatenate 各個列向量， 然後進行分類。

RPP

考慮part內部一致性，使用餘弦距離來度量一致性。在訓練時，使用先訓練PCB,指望能獲得一致分割，然後誘發RPP的訓練

4. 實驗

實驗使用三個經常使用的Reid數據集：market-150一、DukeMTMC-Reid、CUHK03 part塊數p與誘發訓練同attention機制的比較的實驗。p=6時最佳，誘發訓練可以取得更好的效果。

5. 結論

做者使用了PCB的baseline+RPP的分割方法，用卷積描述子代替全鏈接描述子取得了很好的實驗效果。

6. 評價

模型簡單，方法想法也比較簡明，性能爆炸。這是一個很是好的baseline，另外做者提供了一種新的part分割方法。

7.參考

Beyond Part Models: Person Retrieval with Refined Part Pooling