[行人重识别]--AAAI2020-Relation Network for Person Re-identification

关注一下GCP

摘要：

行人重识别(reID)旨在从一组通常由多个摄像机捕获的图像中检索相关人员的图像。最近的reID方法已经表明，利用局部特征描述身体部位，加上人的图像本身的全局特征，即使在缺少身体部位的情况下，也能提供丰富的特征表示。然而，直接使用个体的部分层次特征，而不考虑身体各部分之间的关系，混淆了具有相似属性的不同人在相应部位的不同身份。为了解决这个问题，我们为行人重识别提出了一个新的关系网络，它考虑了身体各个部分与身体其他部分之间的关系。我们的模型使得一个单独的部件级特征也包含了身体其他部分的部分信息，从而使它更具有识别性。我们还介绍了一个全局对比池(GCP)方法来获得一个人图像的全局特征。我们建议使用GCP的对比特性来补充传统的最大平均池技术。

创新点：

先总结一下本文的创新点：
1.我们引入了一个基于部分的person reID的关系网络来获得判别的局部特征。它考虑了身体各个部位与身体其他部位之间的关系，使得每个part-level feature都包含了相应部位本身以及身体其他部位的信息，使其更具识别性
2.我们提出了一种新的利用对比度特征的池化方法，即GCP，来提取一个人图像的全局特征。具体来说，它利用池化结果之间的差异，并提取互补信息，以残差学习的方式最大池化特征。
1.网络结构：

网络整体如上图，使用ResNet50作为特征提取的backbone网络，然后将特征图按照H分为6个部分，分别使用GMP提取到part-level的特征，最后分别使用One-vs.-rest relational module和GCP提取到局部关系特征和全局对比度特征。
2.One-vs.-rest relational module，GCP

1)关系网络结构如上图(a)，具体来说，以p1为基准，先用相加求均值的方法聚合p2-p6的特征得到r1，分别用两个卷积对p1和r1进行降维，再对结果进行拼接，融合。最后使用残差的结构，将p1降维的结果加上去得到最终的局部关系特征q1 。其余的q2-q6也是同上操作。
2)GCP如上图(b)，先对p1-p6的part level 特征进行 avg和max pooling操作得到 pmax， pavg。再使用pmax-pavg得到对比度特征pcont，剩余的操作同1)中相同。

实验结果：

1.消融实验分析：