【Person Re-ID】Deep Representation Learning with Part Loss for Person Re-Identification

paper下载地址：https://arxiv.org/abs/1707.00798

Introduction

Person Re-ID需要解决什么问题？
测试集中的人在训练集中是不可见的，因此需要学习到的描述子有足够的可分性。

目前大多数表征学习方法的目的是最小化训练集的分类损失，这与Re-ID任务不同。表征学习方法更多的关注于人体的躯干部分，而忽略其他部分。对于不同的人，其他部分诸如头部，上半身体依然是意义的。基于此，作者提出了PL-net（part loss networks），它自动将一副图像分成K个parts，然后分别计算每个parts的分类损失。

Approach

整个网络主要包括两个部分：训练集的经验分类损失即全局损失，表征学习损失即各个部件的分类损失。

假设已经得到feature map $\chi$，首先计算每个特征图的激活值的最大值位置，

(hz,wz)=arg