2017 ECCV之ReID：Beyond Part Models Person Retrieval with Refined Part Pooling (PCB）

Beyond Part Models Person Retrieval with Refined Part Pooling(and A Strong Convolutional Baseline)
当前的问题及概述：
本文使用part特征对行人图像描述提供了细粒度的信息，对所有图像的人物进行分part提取，本文有两点贡献：1，一个名为基于部分卷积基线(PCB)的网络。2，(ii)改进的部分池化(RPP)方法。下图为不同文献的分part方法，本文提出的PCB为f，采用均匀分part的方法，将图像分成均匀的不同条带。

模型及loss：

2.1PCB: A Part-based Convolutional Baseline
backbone采用ResNet50，在GAP前结构不变并删除GAP及其后的结构，本文定义了沿着轴通道的激活向量作为一个列向量。然后，使用传统的average pooling，PCB将T划分为p个水平条带，之后PCB使用卷积层对g进行降维至256-dim。最后，将每个h输入到一个分类器中，该分类器由一个全连通(FC)层和随后的Softmax函数组成，用于预测输入的标识(ID)。在测试过程中，将g或h的p个片段连接起来，形成最终的descriptor。
2.2Within-Part Inconsistency
区分part内部不一致性，可以看到，下图中即使分part后，也不能和人体每个部分对应：

所以，在训练PCB收敛后，我们比较每个f和gi (i = 1,2，···，p)的相似性，即，通过测量余弦距离得到各部分的平均集合列向量，这样便找到了最接近每个f的部分。在训练过程中，有许多异常值被指定为一个指定的水平条纹(部分)，这些异常值与另一个异常值更为相似。这些异常值的存在表明它们本质上与其他部分的列向量更一致。上图就是在训练过程中通过相似度度量得到的相似区域。
2.3Refined Part Pooling
本文提出了改进的部件池(RPP)来解决part内部的不一致性。本文根据列向量与各部分的相似性来分配所有列向量，以便重新定位异常值。本文定量地度量了列向量f与各部分Pi之间的相似度值S(f↔Pi)，然后根据相似度值S(f↔Pi)将列向量f采样到Pi部分，由式表示为:

通过采样操作来更新每个part，那么“已经测量的”相似性不再存在，通过不断迭代地进行“相似性度量”→“采样”过程，直到收敛。将下图的refined part pooling代替原框架图的这一部分。

RPP不是度量每个f和每个Pi之间的相似性，而是使用部分分类器来预测S(f合Pi)的值(也可以解释为f属于Pi的概率)如下：

实验：
数据集：Market-1501, DukeMTMC- reID, and CUHK03
与其他结构比较：

消融实验：
PAR学会专注于几个部分，以注意机制区分人。
IDE，学习了全局描述符。
RPP (w/o诱导)是指对精细部分的学习没有诱导，网络通过注意机制学习集中在几个部分上。

总结：
本文提出的PCB框架和RPP是截止目前使用最多的图像分块算法，本文的核心是将feature map按照列向量分part，通过softmax预测不同part的标识，单是由于不同part不可能将人的不同部分包括完全，也就是内部的不一致性，所以本文提出的RPP解决这一问，计算列向量与内部各部分之间的相似度值，通过不断的迭代直至收敛，得到经过refine的part。