ICCV2019-行人重识别-Discriminative Feature Learning with Consistent Attention Regularization for Person

动机：

在re-id数据集中，一个样本图像由有效的前景信息（行人信息）和无效的背景信息（背景干扰）信息构成。所以说，能否有效学习到面积只占整个图像一部分的行人信息，即Discriminative Feature，就是了一个良好re-id模型的关键。
目前的常见的提取行人信息的方案各有利弊，最容易想到的方法便是使用annotated mask，但这种方法引入额外的标注，并且样本分辨率低，所以mask也不一定很准。

创新：

1. 作者设计了一个attention module，意在得到不同特征下的行人mask，其中采用三种尺度的空洞卷积，减少参数量的同时增大感受野。
   
2. 深层次的特征图语义信息更丰富，所以会得到更高质量的行人mask，通过不同层的layer后，不同的attention module将得到不同的heatmap。已知行人mask的区域在不同的heatmap上的位置都是固定的，所以将这些heatmap信息，通过consistent attention regularizer这种正则化，让这些mask尽量一致，从而形成了一种正反馈的过程，让低层的特征得到的mask也会更准。
   
   如图(b)所示，通过不同级heatmap的正则化，浅层的mask也会有较为精准的mask。
   
   正则化的公式如图：前者为相邻特征图的差的F范数，即希望相邻特征图的差距变小，这个很好理解，但是后面是单个特征图的1范数，这个我没想明白，作者解释为特征筛选，希望可以丢掉假阳例，依旧没明白。。。
3. 改进triplet loss，当$\eta =0,1$时，该三元损失函数为普通的三元损失函数，这个和mixup基本一致：
   

框架：

1. 框架结构：最基本的单流结构
2. 特征：普通的加入attention module后得到的特征
3. 损失函数：LS CE loss+改进的Triplet loss
4. backbone：普通的resnet50，未使用last stride =1等

实验：

作者展示了最后得到的行人heatmap，在CUHK03上的效果非常好，并且这个heapmap的准确度应该与行人区域的大小成正比。

• basline（S+BT）在market上， rank1为89.1，使用改进Triplet为93.4，提升很大
• 在使用attention module后，最终rank1为96.1，不都不说每一个方法提升都很大

疑惑：

• 深层网络虽然语义信息丰富，但位置信息很不充分，尤其是resnet第五次下采样后得到的特征图大小仅为8×4，这样正反馈的位置信息在正则化时是否会出现混淆？
• 正反馈的缺点是若出现一点偏差则会越来愈大，但是作者展示的heatmap效果很好，看样子是没啥问题。