作者：Yutian Lin, Liang Zheng, Zhedong Zheng, Yu Wu , Zhilan Hu , Chenggang Yan, Yi Yanga.
原文链接：link.

Motivation

ReID和属性识别在行人描述方面有共同的目标，他们的区别在于细粒度，属性识别关注行人的局部特征，而ReID通常提出全局特征，考虑到他们的相似性和区别性，作者提出一个集成了ReID和属性识别的多任务方法，具体地，提出一个名为attribute-person recognition(APR)网络，它包含两种类型地损失函数：ID分类损失和属性分类损失。说白了就是使用CNN(Resnet50)，删除最后一层FC层，后面分别接一些FC层，其中一个是FC-ID，用于对行人ID进行分类，剩下其他的FC层用于属性分类。

Contributions

(1) 结合ID和属性分类损失，提出了一个attribute-person recognition(APR)网络。
(2) 为Market-1501和DukeMTMC-reID两个数据集手动标记属性标签。

Method

上图是APR的结构图，backbone是ResNet50，可以分为两个baseline: ReID baseline和 Attribute baseline。
ReID baseline： 删除ResNet最后的FC层，添加一个新的FC成，输出维度为K,K表示身份的数量，在FC层前添加一个dropout层，测试时，提出pool5输出的2048-dim特征，使用欧式距离计算query和gallery图像之间的距离。
**Attribute baseline： ** 在softmax层之后添加M个FC层，M表示属性类别的数目。

Loss 计算：
给定K个身份的n个图像，每个身份有M个属性；D_i={x_i,d_i,l_i }表示训练集，x_i表示第i个身份，d_i表示x_i的身份，l_i={l_i^l,…,l_i^M}是图像x_i的一组M个属性标签。
ID loss: 提取pool5输出的1×1×2048向量，FC₀层的输出是z=[z₁,z₂,…,z_K]∈R^K,因此每个ID标签的预测概率为
ID分类的交叉熵损失表示为：

**属性分类loss：**属性预测由M个softmax损失组成，样本x属于属性类别j∈1….m的概率为

因此每个样本x的属性分类损失表示为：

最后APR的总体损失为：

Experiment

参数设置

使用ResNet50作为backbone时，训练55个epoch；batch size=64；使用SGD优化器，在最后5个epoch，学习率从0.001下降到0.0001。
使用CaffeNet作为backbone时，训练110个epoch；batch size=128；使用SGD优化器，在最后10个epoch,学习率从0.1下降到0.01。

Person Re-ID评估

属性识别评估

不同属性对ReID的影响