1705.IAN- The Individual Aggregation Network for Person Search 论文阅读笔记

本论文工作量不大，只是把A Discriminative Feature Learning Approach for Deep Face Recognition这篇论中的中心loss迁移了过来，对xiao tong的端到端的行人框架做了一些改进，不过作者改进工作是在港中文xiao tong最早先发布在axiv上的老版论文进行的，那篇论文用的是RSS随机采样loss，来解决训练问题。不过，文中也提到了与基于IOMloss的检测+reid框架的比较。

在这里总结一下：检测+识别的reid研究：
首先检测+reid问题的研究更贴切的应该叫—person search
包括：
1.PRW数据集
Person reidentification in the wild 主要是一些detector+reid的组合，验证的是DPM-Alex +IDE（detection）组合效果最优

2.CUHK-SYSU数据集
End-to-end deep learning for person search 采用RSSloss实现端到端的训练
Joint detection and identification feature learning for person search 采用OIMloss实现端到端的训练，具有更好性能和更低的计算复杂度。

论文介绍：

作者贡献：
1.Individual Aggregation Network (IAN)采用res-net101结合faster RCNN的RPN/新增中心loss+RSSloss实现了最好的mAP和rank性能。中心loss是的训练得到的类内同ID的特征表达更紧凑，提升不同ID的区分性。
2.简单举例并通过实验得出dropout和作者引入的中心loss不兼容。

其他：由于训练时，输入框架是整张图像，而不同ID行人显示在各图像中是随机的，稀疏的和不均衡中，很难组织等量的正负样本对，不能在基于faster RCNN的框架里直接引入验证对比loss项，所以作者引入了中心loss实现一定的约束，通过减小类的intra-variance 优化模型训练。

在CUHK-SYSU数据集上
新加loss以加权的形式整合到之前的四个loss之和中，实现联合优化，加权参数取值采用训练集交叉验证得到，如下：

模型方法实验对比：

对Occlusion and Resolution的鲁棒性实验：

Effects of Gallery Size：

Input of Center Loss：

Center Loss with VGGNet对dropout和中心loss兼容性验证实验：


分析：dropout不是必须的，只对训练防过拟合有益，移除后，训练得到的性能反而会更好证明当网络既有dropout又有中心loss时，两者是不兼容的，而IAN 移除dropput，再加上中心loss显示了更好的性能

实验效果ranking比较：

在PRW 数据集上