Person Re-identification 系列論文筆記（八）：SPReID
Human Semantic Parsing for Person Re-identification
Kalayeh M M, Basaran E, Gokmen M, et al. Human Semantic Parsing for Person Re-identification[J]. 2018.
這篇是截止發文時在Market-1501上性能最高的論文。主要思想可以歸結到軟劃分的範疇，
借助精確分割的信息去提取部件特征，再輔以其他tricks(大規模的backbone，較大的網絡輸入分辨率，合並多個公開數據集做fine-tune等) 。
性能是最高的，但拋開backbone參數規模和輸入圖像分辨率的計算量，只談性能，是CV界的耍流氓。所以大家還是客觀看待這個最高的性能，更多的關註可借鑒的創新點。
contributions
為了解決行人重識別裏的姿態、對齊、角度等問題，引入人體語義分割去精確提取local feature，即SPReID。
pipeline
輸入目標圖，傳統的過程是經過backbone，提取GAP後的特征進行檢索，如圖中中間分支。
SPReID，是上分支和下分支的結合。上分支最終提取較大的特征圖，下分支是人體語義分割網絡，
提取5個語義信息的特征概率圖（前景，頭，上肢，下肢，鞋子）。將上分支的全部特征和下分支的概率圖進行加權求和
（2048個通道和1個通道特征概率圖的prod）。考慮到特征維度爆炸（2048*5），將頭、上肢、下肢和鞋的特征進行max
操作，然後和前景特征concact，作為網絡最終的輸出。
註意下SPReID，不是一個end-to-end的網絡，上下分支單獨訓練，後續改進是可以做成end-to-end的。
還有最後的部件特征max操作有些粗暴，可以在2048維特征上做降維操作，然後將各部件concact一起。
experiments
分辨率和backbone實驗結果
最終的性能比較
Person Re-identification 系列論文筆記（八）：SPReID