Introduction
（1）Motivation:
当前提出的基于人体部件划分的ReID方法主要有两类：
① 第一类是基于人体姿态估计的方法，这类方法的性能受限于姿态估计和ReID数据集的偏差，难以得到较好的语义分割；
② 第二类不使用语义分割，不对部件进行定位。
如下图所示：
（2）Contribution：
① 提出了Part-based Convolutional Baseline（PCB）网络，不需要进行语义分割即可提取部件特征；
② 提出了一个自适应池化层refined part pooling（RPP），用来调整出现偏差的部件，增强部件的内部一致性。
【开源代码：https://github.com/syfafterzy/PCB_RPP】
PCB：A Strong Convolutional Baseline
（1）网络结构：
① Backbone网络：
采用了ResNet50网络，除去隐藏的全连接层。
② PCB模块：
细节：参考知乎【传送门】
Refined Part Pooling
（1）部件内部不一致：
由于采用的是强制划分，这带来了部件内部信息的不一致性问题。
作者计算每一个列向量 f 和各个部件的特征向量 g 之间的距离，哪个距离最小，则记入那个部件，如下图所示：
（2）异常值重定位：
计算 f 属于某一个部件的概率值为：
其中 W 为部件分类的权重矩阵，最后将每个 f 重新分配到对应的部件中，每个部件对应的所有 f 进行池化，如下图所示：
（3）部件分类的诱导训练：
Step1：将一个张量 T 均匀分区的PCB训练到收敛；
Step2：结合 p 类部件分类器 ，根据部件分类器的预测来判断部件划分；
Step3：固定PCB的参数，只训练部件分类器部分直到收敛；
Step4：全局网络训练，进行微调。
Experiments
