读论文Beyond Part Models Person Retrieval with Refined Part Pooling

链接：论文链接，代码链接

预备知识：关于outlier和inlier
https://blog.****.net/daigualu/article/details/73866250

​​​​​​懒得翻译了。。先说说梗概，此文章两个贡献，第一个是PCB网络(Part Level Basline)，第二个是RPP方法(Refined Part Pooling)

先说PCB，结构如下图，backbone网络取的是ResNet(在试了许多网络以后)，相当于ResNet稍微更改了几个部分

更改的部分有：把averge pooling改成了RPP方法，结尾的下采样rate改小了（实验证明更好），最后的分类器没有共享权值（实验证明更好），卷积出来的tensorT（如图）被分为6个部分（作者说实验证明6个部分效果最好）

说说RPP，RPP是解决uniform partition会有outlier值的，或者说解决partition不精确的问题，也使得原本的粗暴分割加上变成'soft partition'，出来的效果是这样子的

具体做法是把原来的AP(averge pooling)替换为RPP,用softmax分类器，预测T内的每个特征column在部位Parti上的概率

P(Parti | f)的大小。最终每个部位的采样是从全部列向量f(column vector)乘以权重P（也就是前面说的在部位Part上的概率大小）来计算的，

2019年1月11日10:38:20，正在看代码。后续把网络结构贴出来