Parameter-FreeSpatialAttentionNetworkforPersonRe-Identification

摘要：GAP(global average pooling)可以帮助我们产生辨别性的信息用于识别，但是在行人重识别领域，如果关键信息丢GAP就会受到很大的影响，比如摄像头角度变了。为了解决这个问题，通过在高阶语义上建模空间关系来获得目标的全局配置被证明是有效的。作者提出了一种新的行人的再识别体系结构，该结构基于一种新的无参数空间注意层，将特征图上激活之间的空间关系引入到模型中。

GAP是一个众所周知的技巧在全连接层减少参数，GAP经常可以提高表现由于容量的正则化效应，但是GAP有一个缺陷，如果模型将注意点没有放在最具有辨别性的区域，或者这个区域在其他摄像头中丢失了。这样很难去识别出这个人。普通的分类可能不是太需要考虑这个问题，对于一般的图像分类，这个问题不太明显，因为类是非常独特的。因此，由于缺少某些特性而导致的退化并不一定是致命的。行人重识别则不行。在图像识别中，基于Attention的方法有一种倾向去编码空间关系。Attention机制可以使得模型拥有能力去关注最具有信息度的区域而不是整个图片。从作者给出的实验图我们可以看出：空间注意力一方面比GAP在图中更分散（但是是分散在目标上），但另一方面，也关注GAP所关注到的区域。这种空间注意可以对部分遮挡或相机视角的改变更具有鲁棒性。
作者的Spatial Attention层和先前的基于Attention的模型对比有一个优势就是参数量小。计