paper下载地址：https://arxiv.org/abs/1709.04329
Introduction
Person Re-ID任务是为了从gallery集中找到与query集中同一个人的图像。应用场景主要集中在视频监控、公共安全等领域，因此一个人的外表可能被摄像头的视角，人体姿态，模糊，遮挡等因素所影响，给此项任务带来挑战。大多数Re-ID工作都可以分为两步，即描述子学习和距离度量学习。
描述子学习：通过学习具有判别性的描述子来表征不同人的外表。
距离度量学习：使得属于同一个人的图像的描述子之间的距离更近。
传统的描述子学习方法通常提取刚性的局部不变特征，因此人体姿态的改变，摄像头视角的改变都能影响其性能，导致不能很好的识别一个人。而大多数基于CNN的方法通过学习全局特征取得了明显的改善，而最近工作将行人图像分成固定长度的块，通过学习更加精细的局部特征，这些方法要比全局描述子性能更加优秀。然而固定长度的块对人体姿态的变化非常敏感，为了解决这个问题，文章提出了Global-Local-Alignment Descriptor (GLAD)。
Approach
GLAD包含两个模块：
部件提取：通过Deeper Cut算法估计人体的4个关键点，提取人体的头部、上半身体、下半身体。
描述子学习：由四个子网络组成一个CNN，并共享卷积层，分别学习三个部件信息和全局信息。
在training阶段，通过multi-task学习不同身体部件。在inference阶段，分别将全局图像和三个部件图像送到网络中得到四个描述子，然后concat起来得到GLAD。
整个过程主要分为两步，首先估计输入图像的各个部件，然后从全局图像和部件图像中学习描述子。
Part Extraction
采用Deeper Cut算法估计行人的4个关键点（upper-head, neck, right-hip, left-hip），依据这4个关键点将输入图像分成3个部件（head, upper-body, and lower-body）。
由于下半身体的估计不是很准，加上数据集中部分数据的下半身体不可见，因此作者直接将图像的下边缘作为下半身体的边界。
Descriptor Learning
整个CNN网络包含一个学习全局信息的子网络和三个学习局部信息的子网络。这些子网络采用同样的网络结构并且共享卷积层。作者采用Google-Net，将最后的全连接层替换为两个卷积层作为分类器（常用技俩），第一个卷计层作为feature map用来提特征，第二个卷积层作为confidence map，在这层之后加上global pooling层用作softmax分类。替换掉全连接层的好处：
参数量变少，举个例子，假如全连接层之前的卷积层输出为2048*7*7（Resnet-50），总共有1000类的话，则全连接层的参数量为1000*2048*7*7，是非常巨大的。换成3*3的卷积层之后，参数量变为1000*2048*3*3，是原来的3*3/（7*7）=9/49。
全连接层对输入图像的尺寸没有限制。
在测试阶段，用新加的feature map作为描述子，假设这层有M个通道，加上global pooling后，输出为M维的特征。全局图像加上局部图像总共得到4*M维的特征向量。
通过这种比较粗糙的部件检测方式，GLAD取得了部件检测的准确性与鲁棒性之间的平衡。
Experiment
其中WO/S表示训练时没有共享参数，W/S表示训练时是共享参数的，“Global”表示提取全局图像特征，”Head+Upper+Lower body(W)” 表示对3个部件描述子加上权重之后的描述子。
共享参数训练的模型比没有共享参数训练的模型性能要好。
全局图像训练模型比局部图像训练的模型性能要好。原因可能是全局图像包含更多的视觉信息，因此能带来更好的判别性。而头部的判别性较差，导致的结果是加入头部（“Head+Upper+Lower body“）训练的模型性能反倒比没加头部（“Upper+Lower body”）训练的模型要差。
对各个部件加上权重之后的性能是最好的，说明头部的判别性对Re-ID任务还是有帮助的。
点评：本文是最近看的文章中做法比较流畅的，而且所有的训练只是在某一特定的数据集上进行，并没有合并所有的数据集，能取得这样的精度是值得称赞的。