导读

原文：openaccess.thecvf.com/content_ECC…

代码：github.com/syfafterzy/…

这是一篇由清华大学的孙奕帆等人在ECCV2018提出的一篇关于行人重识别的论文。其主要贡献有两个，提出了一个PCB（硬区分）的baseline以及在此基础上提出了一个不需要姿势估量的软区分（RPP）网络结构。

办法

图a到图e都是人提出来的办法，图f是本文提出来的。

PCB的大致结构。输入的图片经过主干网络（例如Resnet50）。去掉resnet50大局池化以及后面的部分，并将输出的特征分成p个水平向量。接着对每个向量做大局池化和卷积核姜维操作。最终对每个输出都做n类别的softmax分类器。在把这些向量拼接回去做特征表示。

同时，作者为了进步PCB的作用，进行了多次试验。作者认为PCB对超参数很敏感。合适的超参数有：

（深度特征是PCB结构图的这个部分。）

此外，为了进步特征的细粒程度，去掉了主干网络（resnet50）的最终一次下采样。

明显如此粗暴的区分肯定是存在问题的。作者在练习完结PCB后，比照较了每个区分快中的向量g和h（也就是上图的想方块）的余弦间隔，想要找出离此方块最近的一个切割part。发现有些向量更接近于其他的part。上图已经用颜色标记好了。

为了处理上述的一些问题，作者进一步提出了RRP，意图是经过向量f和其最相似的part，来对齐一切的向量f。

其中S(f↔Pi)是 f 属于某一个P 的概率。p是被切割的数量（这里是6），w是可以学习的权重矩阵。

RPP 和 partclassifier 和后续的降采样操作，取代了原来的 average pooling 操作，而其他层跟之前的架构图是相同的，没有变化。

首先把PCB练习至收敛，然后冻住一切参数，加入RRP里的part classifier，后让模型继续练习，此时得到更新的就只有part classifier的参数了，等part classifier收敛之后再放开悉数参数进行fine-tune。试验标明，RPP能够进一步进步PCB的功能。

IDE是一个基本的baseline。 Variant1和Variant2都是变种的PCB。 Variant1是一切的特征均匀化之后做的猜测，只猜测一个值，所以只有一个损失。 Variant2是在FC阶段进行特征共享。可以看到PCB+RPP功能最好。

与在market1501的sota办法比照。

——Group 1:手艺设计模型

——Group 2:使用大局特征的深度学习办法

——Group 3:使用局部特征的深度学习办法

其他两个数据集比照。

切片巨细和输入图片巨细的试验支撑。