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上效能最高的論文。主要思想可以歸結到軟劃分的範疇，

藉助精確分割的資訊去提取部件特徵，再輔以其他tricks(大規模的backbone，較大的網路輸入解析度，合併多個公開資料集做fine-tune等) 。

　　效能是最高的，但拋開backbone引數規模和輸入影象解析度的計算量，只談效能，是CV界的耍流氓。所以大家還是客觀看待這個最高的效能，更多的關注可借鑑的創新點。

contributions

　　為了解決行人重識別裡的姿態、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後的特徵進行檢索，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徵圖，下分支是人體語義分割網路，

提取5個語義資訊的特徵概率圖（前景，頭，上肢，下肢，鞋子）。將上分支的全部特徵和下分支的概率圖進行加權求和

（2048個通道和1個通道特徵概率圖的prod）。考慮到特徵維度爆炸（2048*5），將頭、上肢、下肢和鞋的特徵進行max

操作，然後和前景特徵concact，作為網路最終的輸出。

　　注意下SPReID，不是一個end-to-end的網路，上下分支單獨訓練，後續改進是可以做成end-to-end的。

還有最後的部件特徵max操作有些粗暴，可以在2048維特徵上做降維操作，然後將各部件concact一起。

experiments

解析度和backbone實驗結果

最終的效能比較