这篇论文是ECCV2018《Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)》的期刊拓展

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

1. 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

2. 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）

3. 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
  

1. 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

1. 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。。。。