行人重识别之多信息融合
AANet: Attribute Attention Network for Person Re-Identifications
原文链接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Tay_AANet_Attribute_Attention_Network_for_Person_Re-Identifications_CVPR_2019_paper.pdf
这篇文章将注意力机制与属性信息结合，利用了图像的全局信息、局部信息、属性信息、注意力机制，完成行人重识别，算法流程比较复杂，但是效果比较好。也进一步说明了充分利用属性信息的重要性。
总共有四个分支：
-
全局信息(GFN)
提特征+交叉熵损失，这部分没什么特别的。 -
局部信息(PFN)
识别出人体的6个部分，从而对特征图进行分块，之后的流程和全局信息相同。 -
属性信息(AFN)
上分支(属性分类)：
该分支对图像的各类属性进行识别。
下分支(注意力机制)：
选取几类重要的属性生成的attention map，合成AAM，使用阈值处理，过滤掉一些无用信息，得到最终的AAM。根据AAM对图像进行识别。
融合以上4个分支的信息，进行行人重识别。
总结：这篇文章写得有一些简略，细节信息不是很明确，算法实现也比较繁琐。除了为我们提供一些新思路之外。以下两点比较有意义：一、提醒了我们属性信息的重要性。二、提供了各个损失函数之间比重的科学设置方法(homoscedastic uncertainty
learning)。这个可以仔细参考原文以及相关参考文献。
完
欢迎讨论 欢迎吐槽
