论文之Beyond Part Models: Person Retrieval with Refined Part Pooling

这两天看了一篇reid的论文，之前看过的reid论文中也有分块思想的。这篇论文的核心思想就是提出了RPP模块，该模块能更好的实现分割效果，比如说论文中的六部分，使用RPP的效果是能够让各自的相似特征在同一部分，不相似的会在另外的部分。

可以看到图（f）中refine的六部分
作者根据之前大多数工作都学习part-level深度特征，然而在分割块方面，关于对准这类的问题任然存在，因此，作者考虑增强分割块之间的联系。
1、PCB

因为卷积描述符要比全连接层描述符具有更强的判别力
2、RPP

作者在此模块对6个branches中的各个特征f进行了预测概率，判别出在同一部分的概率匹配会更高，从而解决不同图像在同一part可能因为没有对齐出现不同的语义信息。




3、提出的诱导训练的关键思想
在没有part标签信息的情况下，我们可以利用预先训练好的PCB中已经学习到的知识来诱导新添加的part分类器的训练。算法如下:
①首先，对一个标准PCB模型进行收敛训练，使其具有相同的几部分的分割
②其次，我们在T之后移除原始的平均池层，并在T上附加了一个p类part分类器。根据part分类器的预测，从T中提取新的part。
③第三，我们在PCB中设置了所有已经学过的层，只留下可训练的部分分类器。然后在训练集上重新训练模型。在这种情况下，模型仍然期望对张量T进行等分，否则就会对训练图像的恒等式做出错误的预测。所以
步骤3对part分类器进行惩罚，直到它进行的分区接近于原来的统一分区，而part分类器容易将固有的相似列向量分类到同一个部分。在步骤3中，将达到平衡状态。（最终能够让各自的相似特征在同一部分，不相似的会在另外的部分。）
④最后，允许更新整个网络的所有层。 PCB和部分分类器都进行了微调，以实现整体优化

4、实验部分
作者验证的实验都取得了不错的效果


这篇论文改进的小地方还是挺多的，不过最核心的是想到在分割时遇到的不同部分的边缘语义分割错误问题，进而提出RPP解决。即3部分提出的思想，过两天研究下关于这篇论文的代码，基于pytorch的，到时候会加以整理！感谢阅读，这篇论文就分享到这里啦！欢迎各位指正交流~