导读
原文：openaccess.thecvf.com/content_ECC…
这是一篇由清华大学的孙奕帆等人在ECCV2018提出的一篇关于行人重识别的论文。 其主要贡献有两个，提出了一个PCB（硬划分）的baseline以及在此基础上提出了一个不需要姿态估计的软划分（RPP）网络框架。
方法
图a到图e都是人提出来的方法，图f是本文提出来的。
PCB基线网络
PCB的大致结构。输入的图片通过骨干网络（例如Resnet50）。去掉resnet50全局池化以及后面的部分，并将输出的特征分成p个水平向量。接着对每个向量做全局池化和卷积核姜维操作。最后对每个输出都做n类别的softmax分类器。在把这些向量拼接回去做特征表示。
同时，作者为了提高PCB的效果，进行了多次实验。作者认为PCB对超参数很敏感。 合适的超参数有：
- 输入图像大小为381*128，是三比一。
- 深度特征 tensor T（深度）的空间尺寸为 24x8。
- 被均等分为6。
（深度特征是PCB结构图的这个部分。）
此外，为了提高特征的细粒程度，去掉了骨干网络（resnet50）的最后一次下采样。
内部的矛盾
显然如此粗暴的划分肯定是存在问题的。作者在训练完成PCB后，对比较了每个划分快中的向量g和h（也就是上图的想方块）的余弦距离，想要找出离此方块最近的一个分割part。发现有些向量更接近于其他的part。上图已经用颜色标记好了。
Refined Part Pooling(RRP)
为了解决上述的一些问题，作者进一步提出了RRP，目的是通过向量f和其最相似的part，来对齐所有的向量f。
其中S(f↔Pi)是 f 属于某一个P 的概率。p是被分割的数量（这里是6），w是可以学习的权重矩阵。
RPP 和 part classifier 和后续的降采样操作，取代了原来的 average pooling 操作，而其他层跟之前的架构图是一样的，没有变化。
诱导训练
首先把PCB训练至收敛，然后冻结所有参数，加入RRP里的part classifier，后让模型继续训练，此时得到更新的就只有part classifier的参数了，等part classifier收敛之后再放开全部参数进行fine-tune。实验表明，RPP能够进一步提高PCB的性能。
实验
IDE是一个基本的baseline。
Variant1和Variant2都是变种的PCB。
Variant1是所有的特征平均化之后做的预测，只预测一个值，所以只有一个损失。
Variant2是在FC阶段进行特征共享。
可以看到PCB+RPP性能最好。
与在market1501的sota方法对比。
——Group 1:手工设计模型
——Group 2:利用全局特征的深度学习方法
——Group 3:利用局部特征的深度学习方法
其他两个数据集对比。
切片大小和输入图片大小的实验支撑。
