一、介紹

提取part-level的特徵進行行人重識別提供了細粒度資訊，最近的研究表明對提升行人重識別準確度非常有效。其中提取part-level特徵發揮作用的關鍵是每個部分被準確的定位。現有一些利用外部提示的方法如姿態估計等等來定位每個部分，作者提出了一種根據每部分內容上的一致性進行定位的方法。

具體地說，作者目標是學習判別能力強地part-informed features來進行行人重識別，主要做了以下貢獻：

1. 提出了一個叫做Part-based Convolutional Baseline(PCB)的網路。輸入一張圖片，能夠輸出若干個part-level features。通過一個平均分片策略，PCB達到了state of the art。
2. 提出了一個“部分精煉池化”策略（refined part pooling (RPP))。考慮到均勻分片不可避免地會導致每片（part)中包含極端值，這些極端值實際上和其他片更相似。RPP重新分配這些極端值到它相似地片段，使得每片的內容一致性更好。實驗證明，PCB + RPP的效果很好。

二、作者的方法

PCB可以使用任何用於影象分類、沒有隱藏全連線層的分類網路作為基礎網路（backbone）。為了兼顧performance和網路簡潔性，作者使用了ResNet50網路。作者移除了ResNet50 global avg pool層及其以後的部分作為backbone網路。輸入一張384x128x3的圖片，經過backbone後得到三維張量T : 24x8xc 。將張量T從通道這一維度，看成24x8個列向量。將T從上往下分成p片(p=6)，對每片內的列向量在空間上進行avg pool，得到p個c維度的列向量（用g_i表示）。然後通過1x1,kernls=256的卷積層降低g_i的維度，得到p個256維的列向量（用h_i表示）。訓練階段，每個h經過一個分類層產生分類結果，每個分類層的權重不同，各自用softmax loss優化。測試階段，p個g或者p個h連線在一起作為向量特徵，p個g連線略好於p個h，但是運算複雜度更高。

三、實施細節

四、實驗結果