Introduction

（1）Motivation:

当前提出的基于人体部件划分的ReID方法主要有两类：

① 第一类是基于人体姿态估计的方法，这类方法的性能受限于姿态估计和ReID数据集的偏差，难以得到较好的语义分割；

② 第二类不使用语义分割，不对部件进行定位。

如下图所示：

 

（2）Contribution：

① 提出了Part-based Convolutional Baseline（PCB）网络，不需要进行语义分割即可提取部件特征；

② 提出了一个自适应池化层refined part pooling（RPP），用来调整出现偏差的部件，增强部件的内部一致性。

【开源代码：https://github.com/syfafterzy/PCB_RPP】

 

PCB：A Strong Convolutional Baseline

（1）网络结构：

① Backbone网络：

采用了ResNet50网络，除去隐藏的全连接层。

 

② PCB模块：

 细节：参考知乎【传送门】

 

Refined Part Pooling

（1）部件内部不一致：

由于采用的是强制划分，这带来了部件内部信息的不一致性问题。

作者计算每一个列向量 f 和各个部件的特征向量 g 之间的距离，哪个距离最小，则记入那个部件，如下图所示：

 

（2）异常值重定位：

计算 f 属于某一个部件的概率值为：

其中 W 为部件分类的权重矩阵，最后将每个 f 重新分配到对应的部件中，每个部件对应的所有 f 进行池化，如下图所示：

 

（3）部件分类的诱导训练：

 

Step1：将一个张量 T 均匀分区的PCB训练到收敛；

Step2：结合 p 类部件分类器 ，根据部件分类器的预测来判断部件划分；

Step3：固定PCB的参数，只训练部件分类器部分直到收敛；

Step4：全局网络训练，进行微调。

 

Experiments