论文笔记 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，不过这个须要咱们很好地定位part的位置。 本文中做者集中考虑part内部的一致性，提出了 part-based convolutional baseline(PCB)结构以及refined part pooling (RPP)的方法。 刷新了数据集market－１５０１，DukeMTMC和CUMK03 的state-of-the-art

2. 介绍

做者此篇文章不须要额外的操做，好比一些姿态估计等，直接关注part内的一致性对输入图像进行分part。 PCB结构利用卷积描述子而非全链接描述子（及去掉FC层），对每个part进行全链接，后接一个softmax分类器。 RPP从新定位part的边缘，利用part内部一致性，调整边缘使得更好地part，使用soft 分割的方法。 论文的贡献主要集中在： （1）提出PCB的框架 （2）提出RPP的分块方法

3. 方法

PCB pipline

PCB 的训练阶段，每一个part接一个全链接层，后加一个softmax分类。而在测试阶段，先是cancatenate 各个列向量， 然后进行分类。

RPP

考虑part内部一致性，使用余弦距离来度量一致性。在训练时，使用先训练PCB,指望能获得一致分割，然后诱发RPP的训练

4. 实验

实验使用三个经常使用的Reid数据集：market-150一、DukeMTMC-Reid、CUHK03 part块数p与诱发训练同attention机制的比较的实验。p=6时最佳，诱发训练可以取得更好的效果。

5. 结论

做者使用了PCB的baseline+RPP的分割方法，用卷积描述子代替全链接描述子取得了很好的实验效果。

6. 评价

模型简单，方法想法也比较简明，性能爆炸。这是一个很是好的baseline，另外做者提供了一种新的part分割方法。

7.参考

Beyond Part Models: Person Retrieval with Refined Part Pooling