TransReID | 首次将transformer应用于行人重识别

0x00 什么是Transformer

Transformer由Attention is all you need论文提出。

摘要

优势的序列转换模型基于复杂的递归或卷积神经网络，包括一个编码器和一个解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构，即Transformer，它完全基于注意力机制，完全省去了递归和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上优越，同时更具并行性，并且需要更少的训练时间。

结构

每个子层都存在残差连接

编码组件部分由一堆编码器（encoder）构成，解码组件部分也是由相同数量（与编码器对应）的解码器（decoder）组成的。所有的编码器在结构上都是相同的，但它们没有共享参数。每个解码器都可以分解成两个子层。解码器中也有编码器的自注意力（self-attention）层和前馈（feed-forward）层。除此之外，这两个层之间还有一个注意力层，用来关注输入句子的相关部分。

quoted from 小白看得懂的Transformer

所以，模型的主要部分👇堆叠

将输入序列进行词嵌入之后，每个单词都会流经encoder中的两个子层。
多头注意力层：

$$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V$$

线性变换和Softmax层：

---

0x01 TransReID: Transformer-based Object Re-Identification, ICCV2021

Paper
Code

导读

WHY： CNN处理范围小（缺乏长距离依赖）而且偏向关注局部信息，并且，由卷积和下采样等算子会造成细粒度信息丢失的问题。

WHAT： 首先提出以Transformer为基础的baseline来解决CNN网络存在的缺点

1. 多头注意力机制，使得网络关注整个行人的身体；
2. 没有卷积和下采样，不会丢失细节信息。

再基于此进行优化得到更强的baseline：

1. 提出了jigsaw patch module（JPM）：通过移位和混洗操作来重新排列patch embeddings，能提取全局不变性的特征；
2. 引入side information embeddings（SIE）：通过可学习的embedding融进一些非视觉信息（相机/视角），消除不同相机间的匹配差异。

HOW： TransReID在MSMT17、Market1501、DukeMTMC-reID、OccludedDuke、VeRi-776和VehicleID数据集上分别达到行人重识别和车辆重识别基准的SOTA性能。

---

Methodology

基于transformer的强基线框架：

总体结构继承ViT，可学习的position embedding，最后输出有所不同（比如BN层）。
Overlapping Patches：区别于纯transformer的模型（e.g. ViT, DeiT）将图像分割成不重叠的补丁，从而丢失补丁周围的局部相邻结构。作者使用滑动窗口生成具有重叠像素的patch。
有监督学习：全局特征的triplet loss和ID loss

改进后，TransReID的框架：

JPM

由于遮挡和错位等挑战，我们可能只能部分观察到一个物体。学习细粒度的局部特征（如条纹特征）已被广泛用于基于CNN的方法来应对这些挑战。
受ShuffleNet启发，如上图，将最后一层的输入打乱顺序然后分组，
推理过程中，最后的损失是全局损失+打乱的每组损失。

SIE

将相机和角度联合编码为S(C,V)
最终输入为原始输入+超参处理过的相机信息

Ablation study

Baseline：ViT-B/16

• JPM
  
• SIE
  
• TransReID