Pedestrian Attribute Recognition

参考：Pedestrian Attribute Recognition: A Survey
Pedestrian Attribute Recognition 调研笔记
首先，看下文章结构
其中，重点介绍2015年之后比较新的算法

PROBLEM FORMULATION

输入：一张包含人的图片
输出：attribute的list A={a1, a2, a3…al}
如下图所示：

DATASET

以下attribute的datset：
在这里面，比较常用的是peta和rap以及rap2.0，下面分别介绍

RAP

RAP数据集包含41585张行人样本，分为69个二分类属性和三个多分类属性，分辨率范围：3692 to 344554

PETA

19000 images, from 1739 to 169365 pixels.
include 8705 persons
with 61 binary and 4 multi-class attribute
9500 for training, 1900 for verification and 7600 for testing

state of the art

近些年比较流行的算法类型和能达到的性能如下：

evaluation criteria

常见的评价指标除了accuracy/precision/recall/F1 以外，还包括mA，具体公式如下

challenge

行人属性分析中，挑战除了通常情况下的图像模糊，分辨率低等所造成的识别困难外，还包括以下两点挑战：
1）行人属性各不相同，有的需要浅层特征，有的需要高层特征，有的需要局部特征，有的需要全局特征
2）每种属性的收敛速度不相同
3）每种属性标注数据不平衡

regular pipeline

常见的pipeline主要包括两种，1）multitask learning 2）multilabel learning

multitask

指的是将每一类作为一个任务，前面共享神经网络参数，最后n个全连接层并列，每个全连接层负责一个任务的分类，如下图所示：

multilabel

multilabel是将所有分类作为一个任务处理，用一个全连接层对属性分类，只是预测的不是单一类别，而是类别列表，如下图所示：

algorithm

下面主要介绍几种常见的算法

HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis(ICCV-2017)

这个算法的主要在于，作者将attention加入到了神经网络的多层中，这样使得不同的属性可以关注不同位置以及不同深度的特征

adaptively weighted multitask deep network for person attribute classification(MM-2017)

这篇论文的特点在于损失函数的改写，将验证集的loss作为学习率的权重加入到训练中。

multi-attribute learning for pedestrian attribute recognition in surveillance scenarios(acpr-2015)

这篇文章的贡献在于解决类别不平衡的问题，将数据量小的类别返回较大的loss

应用

属性分析有很多应用场景，比如分析零售业的目标用户等等

未来的研究方向

attribute的识别一般情况从两方面建模，1）对属性间的不同建模，如不同的关注区域 2）属性间的相关性建模如lstm