1. 摘要
使用part-feature 能够起到更好的效果，不过这个需要我们很好地定位part的位置。
本文中作者集中考虑part内部的一致性，提出了 part-based convolutional baseline(PCB)结构以及refined part pooling (RPP)的方法。
刷新了数据集market－１５０１，DukeMTMC和CUMK03 的state-of-the-art
2. 介绍
作者此篇文章不需要额外的操作，比如一些姿态估计等，直接关注part内的一致性对输入图像进行分part。
PCB结构利用卷积描述子而非全连接描述子（及去掉FC层），对每一个part进行全连接，后接一个softmax分类器。
RPP重新定位part的边缘，利用part内部一致性，调整边缘使得更好地part，使用soft 分割的方法。
论文的贡献主要集中在：
（1）提出PCB的框架
（2）提出RPP的分块方法
3. 方法
PCB pipline
PCB 的训练阶段，每个part接一个全连接层，后加一个softmax分类。而在测试阶段，先是cancatenate 各个列向量，
而后进行分类。
RPP
考虑part内部一致性，使用余弦距离来度量一致性。在训练时，使用先训练PCB,期望能得到一致分割，而后诱发RPP的训练
4. 实验
实验使用三个常用的Reid数据集：market-1501、DukeMTMC-Reid、CUHK03
part块数p与诱发训练同attention机制的比较的实验。p=6时最佳，诱发训练能够取得更好的效果。
5. 结论
作者使用了PCB的baseline+RPP的分割方法，用卷积描述子代替全连接描述子取得了很好的实验效果。
6. 评价
模型简单，方法想法也比较简明，性能爆炸。这是一个非常好的baseline，另外作者提供了一种新的part分割方法。
7.参考
Beyond Part Models: Person Retrieval with Refined Part Pooling