Beyond Part Models- Person Retrieval with Refined Part Pooling

Motivation

当前利用 part-level feature 做re-id 的方法大致分为两类：

1. 利用在其他数据集上训练好的 pose estimation 模型 unsupervised transfer 到 re-id 数据集上得到 local part 的定位，然后基于local parts 提取 part-level features。

2.不使用额外的类似于 pose estimation 的模型，而是用统一的分块方式，（比如给定一张行人图像，将图像均匀分割为固定的p个horizontal stripes）或者采用 attention 机制去locate 等。

采用现成姿态估计得到的parts特征，因为和目标数据集存在bias，并不能在行人图像上得到理想的行人parts语义信息 
通过重定位外围像素点到它更适合的part中来精调这个均匀分割parts，这可以使得各part内具有连贯性，即相当于让模型更加注意两两parts的顺序，有一种更精细对齐的含义（同时过滤了一些背景杂波） 

使用第一种方法虽然可以显式的定位 local parts，但是也要忍受 transfer 过程由于 datasets bias 引入的误差。当然如果定位带来的提升大于引入误差导致的性能降低，整体也是可以接受的。这篇文章第一部分PCB模型属于第二类方法，使用得是均匀划分。对不同part用不同loss去训练。对于均匀分割或者其它统一的分割，不同图像在同一part可能因为没有对齐出现不同的语意信息。对此，作者提出了Refined Part Pooling 对统一分割进行提纯，增强 within-part 的一致性，这也是本文的一大亮点。

Specifically, we target at learning discriminative partinformed features for person retrieval and make two contributions.

(i) A network named Part-based Convolutional Baseline (PCB). Given an image input, it outputs a convolutional descriptor consisting of several part-level features. With a uniform partition strategy, PCB achieves competitive results with the state-of-the-art methods, proving itself as a strong convolutional baseline for person retrieval. 

(ii) A refined part pooling (RPP) method. Uniform partition inevitably incurs outliers in each part, which are in fact more similar to other parts. RPP re-assigns these outliers to the parts they are closest to, resulting in refined parts with enhanced within-part consistency. 

Experiment confirms that RPP allows PCB to gain another round of performance boost.

提取part级别的特征对于细粒度图像识别具有重要的意义，类似part aligned的想法，作者设计了新的更强的baseline-PCB（Part-based Convolutional Baseline），其能得到由几个part级别的特征得到的综合描述子用于reid任务的行人匹配，不过在此baseline中一个行人图像的各parts间不应该只是这种严格的均匀的分割区域方式，考虑各part之间信息过渡的连续性，作者设计了一个精巧的训练策略，采用RPP（refined part pooling），某part边缘部分的outliers重新划分到临近的parts上，这样就产生了一个part内连续性（连贯性），这使得应用part的model性能得到增强，不过，作者更加强调了RPP的训练策略，这是非常关键的，融入了一种对抗训练的思想。

reid中不同分割策略产生的part，后两种是一种软分割（如下图） 
典型地： 
采用现成姿态估计得到的parts特征，因为和目标数据集存在bias，并不能在行人图像上得到理想的行人parts语义信息 

通过重定位外围像素点到它更适合的part中来精调这个均匀分割parts，这可以使得各part内具有连贯性，即相当于让模型更加注意两两parts的顺序，有一种更精细对齐的含义（同时过滤了一些背景杂波） 

PAR和本文都是利用做软分割（即提取的有效特征应用了注意力机制），而不用 no part labeling，并不是固定的含有更多背景杂波的矩形分块！！ 
但PAR和本文PCB with RPP在训练策略，设计动机和机制上存在明显不同： 
具体如下：注意PAR的各parts分别训练采用各自的part loss外加全局约束来形成具有模糊对齐意义上的整体描述子。而PCB的RPP是在预训练的均匀分割上进行精调，训练策略上前面是同时训练，联合优化，而RPP需要预训练均匀part loss的模型后，再精调RPP部分引入的参数，且是一种半监督的方式。细节上的区别如下： 

1.工作机制：采用注意法，PAR训练分类器在无监督方式下的训练，RPP可以看作半监督过程。

2.性能：稍微复杂的训练过程使得RPP具有更好的解释和显着更高的性能。

Method

• PCB结构：

基模型可以是ResNet50， Google Inception等，本文主要采用了ResNet50. 

作者作的一些轻微的修改： 

如图，ResNet50的全均值池化被抛弃，而是分P个水平条纹，在各条纹上应用条纹全局均值池化，得到的p个2048维度的向量后，再由1*1卷积核的降维操作后，变为256-dim，最后，对每个条纹对应的特征向量，分别采用N类别的softmax多分类 loss训练得到p个N-IDs的分类器。 

测试阶段，p个特征向量会串接为一个描述子用于匹配ID。 

注意：可用作测试的特征向量可以来自于2048维的，也可以来自256维的特征向量串接，不过前者在更多计算消耗下可以获得更高一些的性能。

1. 1.去掉Resnet50 global average pooling及以后的部分。
2. 2.将最后一层feature map 分成 p个horizontal stripes。分别对p个horizontal stripes做global average pooling就得到了p个局部特征。
3. 3.因为 Resnet50 最后一层feature map的通道数为2048，作者又用1x1 conv将其降到256维。
4. 4.接着用p个n（训练集ID数目）分类softmax作为分类器进行训练。损失函数使用交叉熵损失。
5. 5.测试时分别串联向量g和h作为行人图像的特征表示。
6. PCB细节：

• PCB benefits from fine-grained spatial integration，其重要的参数设置，通过实验得到的，即
• 

1. 1.为了丰富特征粒度，参考 SSD 和 R-FCN，作者去掉了 Resnet50 最后一次 down-sampling。
2. 2.图像 resize 到 384x128。
3. 3.horizontal stripes 的个数 p 取6。
4. 4.对比了使用单损失和多损失的性能。使用单损失函数时，对 p 个 h 求平均作为图像的特征表示。
5. 5.对比了 p 个 softmax 前一层 FC 共享参数的性能。

6. Potential Alternative Structures即PCB可以选择的一些结构变体： 

   

   
   

• RPP motivition: 作者将 average pooling 前后的向量做最近邻（  与  ），注意到真实的边界并不和统一划分的边界重合，很显然这也是统一划分最大的弊端之一。

核心：考虑within-part consistency，如图，为均匀分割后的不一致性可视化描述： 
 

The existence of these outliers suggests that they are inherently more consistent with column vectors in another part.我们需要对这些outliers进行重定位，即修改这些不一致性，使每个part的column vectors保持一致的相似性。

RPP结构

PCB with Refined part pooling conducts a “soft” and adaptive partition to refine the original “hard” and uniform partition，and the outliers originated from the uniform partition will be relocated.如下图：

• 

1.作者在最后一层 feature map 后面训练了一个 part classifier。part classifier 使用的是线性层 + softmax，参数记为 W。

2.接着将 average pooling 改为向量的加权和，权值即分类器的后验概率。

RPP的训练：RPP 只有一项参数 W，训练分三步：

1.训练 PCB 至收敛。（这一步引导训练的重要性以及 step3 内在的思想见作者评论补充）

2.将 average pooling 替换为 part classifier。

3.固定其它参数训练 W 至收敛。

4.放开全部参数，fine tune。

训练策略：对抗式训练，取得一个精调的平衡： 

Experiments

• Datasets：Market-1501，DuckMTMC-reID，CUHK03 (new protocol)
• setting：single-query，without re-ranking

• 结论：

1. 相比 IDE，PCB 的 mAP 提升8.9-15.3%
2. RPP 对 PCB 的 rank-1 提升 1.5-3.1%，mAP 提升 3.1-4.2%
3. 多损失比单损失提升明显，mAP 提升约 10-15%
4. p 个分类器不共享参数相比共享参数提升 mAP 2.4-7.4%
5. 关于图像分辨率以及去掉 Resnet50 最后一次 down-sample 的实验

• 对 horizontal stripes 数目 p 的讨论

PCB 引导训练的重要性讨论以及与另一篇基于 attention 机制方法的对比