In-depth exploration of attribute information for person re-identification
这次分享一篇自己的文章，这篇文章针对了行人的属性信息。
首先，我定量分析了属性信息的重要性。 假设，我们已知某一类的属性标签，用该标签直接辅助baseline进行识别。 如下图，性能都会有不小的提高。 进一步，我使用所有类别的属性(图中的sum)对baseline进行辅助。 可以看出，模型的精度大幅提升。 这证明了属性信息有很大的价值。 所以，正如标题所言，本文的主要内容是研究如何充分利用属性信息。
先介绍一下主体框架： 如下图，蓝色部分IRN负责识别行人身份，可以理解为baseline 红色部分ARN负责识别行人属性，作为辅助 ARN中有多个网络，每一个网络负责一类属性的识别 假如有N个属性，那么算上IRN，总共就有N+1个识别网络 最后，根据每个网络得到的特征的欧氏距离Mat，进行加权相加，得到最终的结果 框架非常简单，下文主要介绍一些细节，对于大家或许有帮助。
hard pair loss
如下图，两个身份不同，但是属性全部一致的两个人非常相似 我们视其为hard pair 在网络中对hard pair的相似度进行惩罚，迫使网络能够提取更高级的语义特征 从而通过这一个点提高模型的鲁棒性 loss公式如下，其实和triplet loss是一样的，只不过样本不同。 其中xa、xb是一个hard pair，x和xa是同一个身份。
采样器 可以想到，hard pair是比较少的 如果随机采样，很难每个batch size都有hard pair 于是提出了如下采样器： batchsize=M*N 采集M个身份，每个身份N个样本，保证其中2个身份是hard pair 那么根据排列组合，一个batchsize中会有N^2个hard pair 这样增强了hard pair loss的作用
训练方法
baseline一般都是先在imagenet上进行预训练 所以我们做行人重识别从某种角度上也是将模型从一个域(imagenet)迁移到另一个域(行人数据库) 对于预训练模型，直接对它进行triplet loss 和 hard pair loss进行训练，是否拔苗助长呢？ 所以，我选择慢慢来，具体如下图： 在训练过程中，先用简单的损失函数，再一点点加难的损失函数，有利于模型的训练。 关于ARN
为何不直接使用模型识别出的属性标签而使用提取的特征呢？ 如下，因为属性识别的精度不高 识别精度不高有如下原因： 属性标签本身标的就不是很准 相同属性之间也会差异很大，后文会提到 同一类属性，数据量差异巨大，如下图 有些属性直接被遮挡了，很难识别 所以，使用了各类属性的特征向量 再与IRN中的特征向量加权相加
ARN中的triplet loss 如下图，同一类属性的差别其实非常大的 这也是属性识别准确率不高的原因 强行将如下所示的属性识别为一类，很难，也没必要 所以在ARN的triplet loss中，positive pair必须满足如下条件： 属性相同且是同一个人 这样，positive pair的属性才会具有很高的相似性，网络才能真正学到东西
最后，上两张效果图
总结：希望文中的tricks能够帮助到大家。
完 欢迎讨论 欢迎吐槽
