Improving Person Re-identification by Attribute and Identity Learning

行人重识别之行人属性

Improving Person Re-identification by Attribute and Identity Learning

原文链接：https://arxiv.org/pdf/1703.07220.pdf

这篇文章的主要有两个贡献：

• 对market1501数据库和Duke数据库的行人属性进行了标记，方便了后人的工作。数据库与代码链接：https://vana77.github.io
• 利用行人属性对行人重识别的性能进一步改进。

首先，直观感受一下，什么是行人的属性。

如上图，左侧的三列图片是符合属性描述的图片，右侧是不符合的。作者利用了很多属性，这些只是一部分。
当然，只能利用一些固有属性，比如服装、颜色等。行走姿势、是否骑自行车等同一个人也会不一样的属性当然就不能利用。

接下来，分析一下网络结构。

如上图所示，网络分为两个部分。蓝色的对行人的M个属性进行识别（比如属性i是上衣的颜色，分为三个类别，红色、绿色、蓝色，那么对应的FCi就是一个三维的向量），黄色的对行人的身份进行识别。最后有M+1个全连接层，对行人的身份进行综合的识别。
损失函数如下：Latt对应每一个属性的损失，LID对应行人身份的损失，都是交叉熵。

最后看一看实验结果：

可以看出，对不同属性进行识别的全连接层的关注点是不一样的。

通过删除某一个属性，做消融实验。可以看出某些属性反而起了负面作用，比如是否有帽子。鞋的颜色和是否有背包就会产生较大的积极作用。

总结：深度学习发展日新月异，一些简单的功能也不能忽视（文中的属性识别），把一些小的功能相结合，或许会产生1+1>2的效果。另外，勤奋一些，比如文中数据库的标记，一定花了很多功夫，活该人家发顶会。最后，作者人美文章多，我又受到了打击…

完

欢迎讨论，欢迎吐槽。