Attribute Aware Pooling for Pedestrian Attribute Recognition

动机：
现有的普通CNNs由于标签空间较大，且存在属性纠缠和关联，不能直接应用于多属性数据的处理。我们通过充分利用不同属性之间的相关性来解决这些阻碍CNNs多属性分类发展的挑战。采用多分支结构对不同区域的属性进行功能调用。除了基于各分支本身的预测外，还利用各分支的上下文信息进行决策。开发了属性感知池来集成这两种信息。因此，利用上下文信息可以准确地识别出与他人模糊或纠结在一起的属性。

贡献：
提出了一种新的行人多属性识别CNN架构，通过探索不同属性之间的相关性，即属性共现先验。特别是一些在训练集中经常同时出现的属性，也很有可能在测试集中同时出现。例如，给一个头发很长，穿着裙子和高跟鞋的行人做注释，可以很容易地推断出他的性别属性为女性。基于这一深刻的观察，开发了一种新的属性感知池方法(AAP)来集成来自不同预测的信息，即CoCNN。更具体地说，基础网络遵循多分支体系结构，然后收集这些分支中的上下文信息来估计属性概率，然后将其与每个分支的个体估计相结合，以改进得到的决策。

框架：

输入实例被输入到一个共享的CNN中，并使用多分支架构产生多个预测。然后，利用共现先验来整合这些条件概率，从而产生一个属性感知的池估计。
具体流程为以一个多分支CNN为基础架构，首先通过训练集构造两个共现表，利用每个分支的上下文信息来完成每个分支本身的决策，既挖掘了不同人体部位的属性，又研究了不同分支之间的关系。
下图是对应的多分支架构。

给定一个属性获取另一个属性的条件概率（PA-100K）颜色越深表示数值越小。

AAP算法

实验：

结论：多分支架构通过关注人体的不同部位来改善三个数据集的度量。利用属性感知池，CoCNN进一步将准确率提高到更高的水平，CoCNN很好地纠正了多分支模型中的错误预测。
需要阅读文献中的概率公式来了解如何获取的共现表（co-occurrence tables）