[行人重识别论文阅读]COCAS A Large-Scale Clothes Changing Person Dataset for Re-identification

论文地址
注：首先这篇论文是基于自己的数据集COCAS下的，COCAS数据集目前没有官方获取途径

1.论文摘要

1.论文专门为换衣问题构造了数据集COCAS
2.引入了一种新型解决换衣问题的方式，不同之处就是在本方法中query中包含的不再是单一的行人图像而是包含一个衣服模板和一个穿着其它衣服的行人。
3.我们提出了一种叫BC-Net的网络，这种网络可以更有效的结合衣服特征和生物特征。

2.同一个人不同衣服的数据集构造过程

论文在上面的pipeline中详细介绍了，怎么构造我们需要的数据集即同一个行人不同衣服的数据集。

pipeline的流程可以简述为：

1.对打乱的图像行人聚类
2.根据聚类结果，在每个聚类中选取一个Anchor，并对Anchor提取脸部特征
3.对行人脸部特征使用k近邻算法进行聚类
4.在用脸部特征聚类的k个结果中选取最近的邻居，该邻居就是该行人不同衣服的图像
5.最终我们就得到了我们想要的同一个行人不同衣服的数据集

3.BC-Net

BC-Net 整体流程简述：
整个BC-NET分为两个主要分支，一个分支用来提取生物特征，另一个分支则用来提取衣服特征。最终生物特征和衣服特征结合在一起丢给全连接层去获取最终的256维的特征。

生物特征提取分支：
与传统的方法不同，这篇论文引入了Mask-Module的思想，我们使用mask去除掉与生物特征不相关的其它特征，比如衣服特征等等。也就是说我们传入classifier的仅是衣服特征。

Mask Module:根据channel-wise max-pooling获取mask，利用mask与Resnet提取后的特征进行对应位置矩阵相乘，得到最终的特征（该特征只保留了生物特征）

衣服特征提取分支
我们将已有的模板和根据clothes detector探测出来的衣服模板放在一起投入到衣服特征提取分支提取特征。

注意：clothes detector自己是有一个训练过程的

我们引入了一种叫做LIP的人体语义模块，它能有效提取的衣服边界，根据LIP提取的边界和clothe detector提取的边界计算损失，这样不断的训练就能教会我们clothes detector正确的提取衣服模板。

4.Cocas数据集