Relation Network for Person Re-identiﬁcation阅读总结

Relation Network for Person Re-identiﬁcation阅读笔记

What？

直接PCB太暴力了，没有考虑到块与块之间的关系。于是本文提出了一种one-vs-rest relational 策略考虑了块与块之间的关系。具体如下：

以p1p_1p1为例，上图p1p_1p1~p6p_6p6的获取方式和PCB完全一致，后面则略有不同。

这里将p2p_2p2~p6p_6p6的结果直接做r1=(p2+p3+p4+p5+p6)/5r_1=(p_2+p_3+p_4+p_5+p_6)/5r1=(p2+p3+p4+p5+p6)/5，然后1×11 \times 11×1卷积变换通道得到rˉ1\bar r_1rˉ1，同时p1p_1p1通过1×11 \times 11×1卷积变换通道得到pˉ1\bar p_1pˉ1，两者按channel做concat得到结果经过1×11 \times 11×1卷积变换通道，所得结果与pˉ1\bar p_1pˉ1做残差加法，得到最终结果q1q_1q1。然后就可以说q1q_1q1中包含了与p2p_2p2_{$p_6$有关的信息了，就考率了块与块之间的联系。其余同理，就可以得到$q_1$}q6q_6q6。

公式表达如下：

其中T表示concat。

然后就是作者提了一个GCP，和以往有啥差别呢？下图直接对比：

详细描述：
GAP , GMP , GAP+GMP都用过，各有好处，也各有缺陷。

GAP covers the whole body parts of the person image , but it is easily distracted by background clutter and occlusion.
GMP overcomes this problem by aggregating the feature from the most discriminative part useful for reID while discarding background clutter. This, however, does not contain information from the whole body parts.(背景区域基本不利于分类，因此激活值一般很小，通过GMP就自然被drop掉了)`
GAP +GMP may perform better, but it is also inﬂuenced by background clutter. It has been proven that GMP is more effective than GAP(Fu et al. 2019 SSG), which will be also veriﬁed once more in our experiment.
Motivated by this, we propose a novel GCP method based on GMP to extract a global feature map from the whole body parts . 具体咋做，如下图：

做法应该很清楚，这里不再赘述。和GMP，GAP差别也很明显，GCP引入了要学习的参数。

讲到这里，其实很懵，GCP是什么？要GCP干啥的？

GCP指的是Global Contrastive Pool。由于我们之前考虑了块之间的关系，而Contrastive 体现在哪？就是表现在pavg−pmaxp_{avg} - p_{max}pavg−pmax。 avg中保留了整个图像的信息，max是行人部分的信息，那差是什么？就是背景部分的信息。而结果和max的行人信息再合并。那去掉又合并岂不是白做了？不是的，concat(合并)之前还有一个conv的存在，因此其实还是不一样的，并不是减去又加上的操作，而是关注了一些更关键的信息。最后同样用一个残差保证学习的结果不会比之前差。

因此，总体模型为：

损失就是softmax+triplet，不过分强调。

效果

效果相当不错，但训练细节不是很多。

其中：−S-S−S表示和PCB一样切6块，即qP6q^{P_6}qP6。同理qP2q^{P_2}qP2和qP4q^{P_4}qP4分别是切2块和4块，将三个尺度的结果concat起来就是T(qP2,qP4,qP6T(q^{P_2},q^{P_4},q^{P_6}T(qP2,qP4,qP6，即−F-F−F。

其他效果展示：
消融：上表的实验相当充足。而且这里按照作者的实验，GCP提点能力很强。

One-vs-rest中做concat的必要性：

Relation Network for Person Re-identiﬁcation阅读总结相关推荐

论文阅读：AAAI 2020 Relation Network for Person Re-identification 论文翻译
Relation Network for Person Re-identification Hyunjong Park, Bumsub Ham∗ School of Electrical and El ...
关系网络 Relation Network
文章目录比较孪生网络.原型网络和关系网络关系网络 Relation Network 实现过程网络结构损失函数训练策略算法推广 -- 推广到 zero-shot 创新点算法评价比较孪生网 ...
《Foreground-Aware Relation Network for Geospatial Object ......Remote Sensing Imagery》
论文阅读笔记:<Foreground-Aware Relation Network for Geospatial Object Segmentation in High Spatial Reso ...
小样本学习 | Learning to Compare: Relation Network for Few-Shot Learning
博主github:https://github.com/MichaelBeechan 博主CSDN:https://blog.csdn.net/u011344545 Learning to Compa ...
CNN结构：场景分割与Relation Network
参考第一个回答:如何评价DeepMind最新提出的RelationNetWork 参考链接:Relation Network笔记 ,暂时还没有应用到场景中 LiFeifei阿姨的课程:CV与ML课程 ...
加密流量分类-论文6：Learning to Classify A Flow-Based Relation Network for Encrypted Traffic Classification
加密流量分类-论文6:Learning to Classify A Flow-Based Relation Network for Encrypted Traffic Classification 0 ...
Learning to Compare: Relation Network 源码调试
CVPR 2018 的一篇少样本学习论文 Learning to Compare: Relation Network for Few-Shot Learning 源码地址:https://github ...
RFA-Net: Residual feature attention network for fine-grained image inpainting 论文阅读笔记
RFA-Net: Residual feature attention network for fine-grained image inpainting 论文阅读笔记摘要尽管大多数使用生成对抗性 ...
Learning Actor Relation Graphs for Group Activity Recognition 论文阅读
目录一.了解ARG 二.为什么需要ARG 1.多人场景识别的问题 2.先前的方法 3.本文的方法 4.本文的三大贡献三.ARG详细介绍 1.群体活动识别框架 2.构建ARG 2.1图的定义 2.2 ...

Relation Network for Person Re-identiﬁcation阅读总结

What？

效果

Relation Network for Person Re-identiﬁcation阅读总结相关推荐

最新文章

热门文章