【Re-id】Person Re-identification by Deep Learning Attribute-Complentary Information阅读笔记

这篇论文整体而言没有什么创新点，性能也不高，但有一些小trick还不错。

上图是网络结构。

step1：通过左边的网络的四个分支生成特征，进行属性预测。因为属性有全局也有局部的，所以最左边的googlenet分支提取全局的特征，右边的三个分支分别对图片水平三分后的局部提取特征，最后结合起来进行属性预测。

step2：通过右边的网络进行re-id。loss为triplet loss + 属性loss。

triplet loss即分别计算positive和negative图片与anchor图片之间的特征距离和属性预测向量的距离，使得positive尽可能靠近anchor，negative尽可能远离anchor

属性loss居然看遍全文都没有公式出现，那就活该被拒咯！我的理解是：作者认为属性大部分都是二分的，0代表没出现，1代表出现了，比如hat这个属性，大部分图片都是0，那么左边的这个网络很可能在hat为1的时候预测为0，就预测错误了。对于这些很可能预测错误的属性，应该给他们一个较小的权重。那么属性loss就是单纯的计算属性向量之间的距离，使得positive尽可能靠近anchor，negative尽可能远离anchor。