Rethinking of Pedestrian Attribute Recognition: Realistic Datasets and A Strong Baseline

论文：https://arxiv.org/pdf/2005.11909v2.pdf
代码：https://github.com/valencebond/Strong_Baseline_of_Pedestrian_Attribute_Recognition

1 论文

本文分析了行人重识别常用数据集PETA和RAP的缺陷，对数据集进行了修正，得到了$PET{A}_{zs}$和$RA{P}_{zs}$两个数据集。并且作者提出了强的baseline模型已经具有了很好的属性定位能力，无需使用额外的注意力机制或STN进行关注区域定位。

PETA和RAP数据集的缺陷：

PETA和RAP数据集中最大的缺陷是，训练集中和测试集中包含了同一人的图像且图像间的差异很小，如Fig. 1(a)(b)所示，这和实际的项目应用场景是不符的。这会造成各算法的测试结果优于其实际应用结果，如Fig. 2所示，作者使用PETA测试数据集中不同重叠度的数据子集进行测试，可以明确发现当训练集和测试集没有人员重复时，模型的准确率会显著下降：
修正PETA和RAP数据集：

作者统计了原有PETA数据集划分方式下，训练集和测试集中来自于同一人的数据重复情况，如Fig. 3(a)所示，可以看出训练集和测试集中出现了很多的同一人的情况，具体是在训练集和测试集中，有1106个人重复出现，占测试集总人数的26.91%，重复出现的人的总图像量占总测试集的57.7%。而在实际应用中，基本上不会出现训练集和测试集是同一人的情况，Fig. 2也给出了，在PETA数据集上，如果只用不重复人的测试图像进行模型测试，精度相比使用现有的测试集会下降很多，所以非常有必要对现有的数据集进行修正。
作者提出了下面五个原则进行数据集的修正：

$I$是指Identity，指人数；N是图片数量；R是指各属性正样本的比例；T指阈值。

1,2,3是为了保证训练、验证和测试集分别包含的是不同人的图像，比例为3:1:1，且验证集中包含的人数和测试集包含的人数差异要小于$|I_{all}|\times T_{id}$，$T_{id}$设置为0.01；

4,5是为了保证训练集和测试集的属性分布(不理解作者的意图)，$T_{img}$设置为300，$T_{attr}$设置为0.03.

作者按照上述五条规则对PETA和RAP数据集进行了重新划分，得到了$PET{A}_{zs}$和$RA{P}_{zs}$数据集，如下表所示：
Baseline：

数据集：

N表示图像数量，M表示属性数量，$y_i$表示各图像的属性label，这里是默认按照对各属性进行二分类判别的。

损失函数：

因为把行人属性识别看成了是多个二分类问题，因此采用sigmoid激活函数，损失函数表示为：
$w_j$是为了解决属性不均衡问题引入的参数，可以表示为：

$r_j$表示训练集中第$j$个属性为正的比例值。

度量标准：

采用了五个度量标准：

• 一个基于label的标准(mA)，计算各属性的正样本和负样本分类的准确率的均值；
• 四个基于instance的标准，分别是Acc、P、R和F1；
• 主要使用mA和F1作为度量标准；

训练细节：

• 骨干网络：ResNet50
• 输入图像大小：256 * 192，使用随机水平镜像
• SGD，momentum=0.9，weight decay = 5e-4
• 初始学习率 0.01
• batchsize = 64
• plateau学习率衰减策略，衰减比例0.1
• 训练30个epoch

实验结果：
existing表示原有数据集；zero-shot表示处理后的数据集，也就是$PET{A}_{zs}$。

在原有数据集上的对比，也可以作为各算法的效果对比。有三点发现：

• PA100K中训练集和测试集人员重叠较少，结果更可信；
• 作者使用ResNet50比MsVAA效果更好，后者使用ResNet101，参数量更多；
• 相比于VAC，使用了更多的数据增广策略，网络上也有两个额外的分支网络，作者使用ResNet50参数量少，但效果相当；
• 将线性分类器替换为基于余弦距离的分类器，模型的效果可以小幅度提升；
• 对各属性 分类器的权重进行归一化可以使其独立于正样本，有助于提升性能。

作者实现的baseline效果更好的原因是，一个效果更好的baseline可以进行更好地进行感兴趣区域的定位。作者用GradCAM测试了其方法定位的感兴趣区域，发现已经很准确了，所以无需使用额外的注意力机制了。

2 代码分析

作者使用了四个trick，分别为：

• sample-wise loss not label-wise loss;

  loss = loss.sum() / batch_size if self.size_average else loss.sum()
  

• big learning rate combined with clip_grad_norm;

  clip_grad_norm_(model.parameters(), max_norm=10.0)
  

• augmentation Pad combined with RandomCrop;

  train_transform = T.Compose([
          T.Resize((height, width)),
          T.Pad(10),
          T.RandomCrop((height, width)),
          T.RandomHorizontalFlip(),
          T.ToTensor(),
          normalize,
      ])
  

• add BN after classifier layer.

  self.logits = nn.Sequential(
              nn.Linear(2048, nattr),
              nn.BatchNorm1d(nattr)
          )
  

其余的也就是正常的训练resnet模型。