Title: Joint Detection and Identification Feature Learning for Person Search;

• aXiv上该论文的第一个版本题目是 End-to-End Deep Learning for Person Search

Authors: Tong Xiao^1* ; Shuang Li^1* ; Bochao Wang² ; Liang Lin^2;  Xiaogang Wang¹

Affilations: 1.The Chinese University of Hong Kong; 2.Sun Yat-Sen University

Paper Code

第一遍看的时候看的是第一个版本，只简单地扫了一眼结构图，觉得就是对faster r-cnn做了小修，而且没有OIM loss，觉得创新性一般。然后发现好几篇后来的文章都用了OIM loss，回过头来再细看文章才发现文章有很多有意思的地方。惭愧！

Motivation

person re-id问题往往是用已经cropped的行人图像块进行检索，判断query和gallary中的图像是否是同一个identity。这里面存在几个问题：

　　①现实中检索都是直接从原始场景图像中实现，而不是利用detection之后的cropped image；

　　②很多数据集都是手动标注的框，实际上detector的检测精度以及是否存在漏检都会对行人重识别的结果造成影响。

因此，作者提出端到端的person search思想，将detection和re-id问题融在一起。

模型

• 网络的输入是整张图像；
• pedestrian proposal net：输入经过ResNet-50的第一个部分(conv1-conv4_3)之后输出1024d的feature maps(大小是原输入的1/16)；类似于RPN，该feature map先经过一个$512\times3\times3$的卷积，得到的特征每个位置的9个anchors分别送入一个softmax classifier（person/non-person）和linear layer（bbox regression）；bbox经过NMS，得到128个final proposals；
• identification net：每个proposal经过ROI pooling得到$1024\times14\times14$的特征，然后送入ResNet-50的第二个部分(conv4_4-conv5_3)，经过一个GAP(global average pooling)得到一个1024维的feature map；这个1024 feature map一分为三：①softmax二分类；②linear regression位置回归；③映射成一个256维、l2 normalized的子控件，实际上是一个FC层，得到256d的id-feat，inference阶段id-feat用来计算consine similarity，training阶段用来计算OIM loss。

Online Instance Matching Loss（OIM LOSS）

注意是用所有final proposals的256d id-feat计算OIM loss。

训练集中有$L$个labeled identities，赋予他们class-id（1到$L$）；也有许多unlabeled identities；还有许多背景和错误信息。OIM只考虑前两种。

做法：

• 对于labeled identities: 记mini-batch中的一个labeled identity为$x\in\mathbb{R}^D$，$D$是特征维度。线下计算和存储一个lookup table(LUT)$V\in\mathbb{R}^{D \times L}$，里面存储着所有labeled identities的id-feat。
  • 前向阶段，用$V^Tx$计算mini-batch中的样本和所有labeled identities之间的余弦相似性。
  • 后向阶段，如果目标的class-id是$t$，那么用$v_t \leftarrow \gamma v_t+(1-\gamma)x$更新LUT的第$t$列，其中$r\in[0,1]$不明白为什么这么更新
• 对于unlabeled identities，由于数量不等，作者用了一个循环队列来存储$U\in\mathbb{R}^{D \times Q}$，$Q$是队列空间大小。同样用$U^Tx$来计算mini-batch中样本和队列中unlabeled identities的余弦相似性。每次循环，将新的feature vector push，pop一个旧的，保证队列大小不变。
• 基于上述结构，$x$被认作class-id $i$的概率用softmax函数计算

• 同样，被认作第$i$个unlabeled identity的概率是

• OIM objective是最大化log似然的期望

• 求导是

为什么不用softmax loss直接分类?

• 一是类别太多，而每类的正样本太少，使得训练很难
• 二是无法利用unlabeled identities，因为他们没有标签

Dataset

作者提出了新的person search的数据集，包含street view和视频截图，即CUHK-SYSY

Evaluation Protocols and Metrics

person search很自然地继承了detection和re-ID的评价指标，cumulative matching characteristics (CMC top-K) 和mean averaged precision (mAP)。这里要注意和person re-id中这两个指标的异同。

CMC

原文：a matching is counted if there is at least one of the top-K predicted bounding boxes overlaps with the ground truths with intersection-over-union (IoU) greater or equal to 0.5.

这里相对好理解，对于输出的bbox，与GT的IoU>0.5的算作candidates，然后和re-id一样计算top K中 是否包含，包含则算做匹配上。对于误检或者漏检不管。

mAP

原文：（MAP）is inspired from the object detection tasks. We follow the ILSVRC object detection criterion [29] to judge the correctness of predicted bounding boxes. An averaged precision (AP) is calculated for each query based on the precision-recall curve, and then we average the APs across all the queries to get the final result.

这个和reid的mAP应该有较大区别；应该是对每个query相当于一类，求detection的AP