论文链接:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8826008
代码链接:https://github.com/syfafterzy/PCB_RPP_for_reID
-
动机
提取part-level的特征可以为行人图像描述提供细粒度的信息,这一想法在最近的工作中已经被证明了对人的检索有益 -
贡献
本篇论文旨在为行人reid学习判别性的part形式的特征,主要贡献有两点:
1) 提出一个通用的part-level特征学习方法——Part-based Convolutional Baseline(PCB)
2)基于PCB,提出Refined Part Pooling(RPP),重新调整每个part中的异常值,让parts定位更加精准(防止分part时属于同一part的某些部位分到的另一个part中) -
方法
1)ECCV2018《Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)》
它是通过backbone获得的张量,然后均等水平分part(本文实验分6个part效果最佳),之后分别为每个part学习一个分类器
2)本篇论文
- 实验中分别采取了不同的分part策略:姿态估计,行人解析和统一水平均分(如下图所示)
- Refined Part Pooling(RPP)
A part classifier. 在T中给定一个列向量f,RPP首先在f和part Pi(i = 1,2,…,p)之间估计相似值S(f ↔ Pi )。RPP利用一个part分类器去预测S(f ↔ P i ),如下:
其中W是part分类器的可训练权重矩阵。
A weighted sampler. RPP将每一个列向量分配给part pi拔,其权值为对应的S(f ↔ P i )
其中F是张量T中的列向量的完整集合,{·}是采样操作 - 训练算法
- 实验
1) 成分分析
水平等分part策略的对比实验:
不同分part方法对比实验(基于原始图像分part,基于Tensor T分part):
参数分析实验:
三种分part策略实验(姿态估计,行人解析和统一水平均分):
三种分part策略分别基于PCB和RPP的对比实验:
三种分part策略基于RPP和PAR(attention mechanism)的对比实验:
2)Market1501,DukeMTMC-reID和CUHK,MSMT17四个库与最新方法结果对比
3)跨数据集
4)可视化
- 结论
1) 提出的part-based convolutional baseline(PCB)可以利用不同分part策略并且将part形式的特征组装成一个卷积描述符,可以大大提高baseline的检索性能
2)统一水平分part策略是三个策略中相对更有效的分part方法,实现性能超过最新方法
3)PCB在跨数据集实验中展示了强壮的泛化能力
4)提出的RPP通过增强within-part一致性减少了分part错误,提高了part特征的判别能力
有帮助的记得点个赞哟,别忘了收藏,防止下次找不到啦!!O(∩_∩)O。。。。