行人属性“Attributed Grammars for Joint Estimation of Human Attributes, Part and Pose”

相关工作
1.属性模型：
人脸：性别，发型，是否戴眼镜
Poselet：检测身体parts
Panda: HOG based Poselet 检测parts，CNN分类。重在数据和微调。本文重在建模和表示。

2.Part定位模型：
pictorial structural model,geometry based tree model,DPM,POselet,CNN。

3.Grammar模型：
phrase structural grammars(PG)
dependancy grammars(DG)
And-or Grammar

Attributed Grammar Model
part用状态变量表示位置及属性，part状态（x,y,s），属性状态：属性。parse tree的概率模型使用Gibbs能量模型表示：

p(pt|I)=1Zexp{−EPA(I|pt)−EAA(I|pt)−EPR(I|pt)−EAR(I|pt)}

似然项用于appearance响应，先验项描述语法的关系。 EPA(I|pt) 是appearance想， EPR(I|pt) 是relation项。能量可以描述为得分函数。

Part 模型
1.定义
part定义的三种方法：one part(whole body)
three parts(head, upper body, lower body)
find-grained parts(eyes, writs, hands, and etc.)

首先寻找合适的Part数目，下图使用keypoint定义part，目的是找到P个窗口覆盖所有的特征点，步骤是：
(1) Randomly select the example which has all visible keypoints.
(2) Draw P bounding boxes by avoiding overlap with other bounding boxes until each part region includes N/P keypoints approximately.
(3) Visit training examples one by one and check whether it can be described with current part design.

通过该方法找到7个part满足大部分样本：

2.Part 关系模型
共享最多的part作为根节点，然后加入最近的part扩展树结构，树结构如下：

Part关系使用And-rule定义，通过part之间的几何约束，part与其type的articulation约束计算，part使用Or-rule定义。

3.Part Appearance模型
考虑到各种变化，对剪切的part聚类，对每种part训练逻辑回归检测器，每个part定义了10种类型，下图显示了两个part的其中五种类型，

appearance 特征使用4种：CNN,梯度HOG，颜色直方图，RGB。appearance得分是part及type特征与权值的内积。

SPA(I|P)=<λPap,ϕPa(I,p)>
SPA(I|w)=<λPap,ϕPa(I,w)>

属性模型
属性与part的关系比较密切，对于part定义属性A(p)，（1）假设part与每个属性都有联系，（2）对每个part类型使用逻辑回归训练二类属性分类器，（3）忽略平均预测率<0.5的part与属性关系，下表显示了预测准确率。

A(p)可认为是两层树，根节点And-rule定义，包含对应的属性，每个属性遵循OR-rule，示例如下：

1.属性关系模型
下图中，每个属性节点A(P)用蓝边与part相连，关系反映了给定part类型属性的出现频率。

属性关系得分是：
SAR(pt)=∑pi∈ptSAR(wi,A(pi))
其中，
SAR(w,A(p))=<λattw,ϕatt(A(p))>

2.属性外观模型
下图显示了5种类型的p1，对应4种属性。属性外观得分是：
SAA(I|a)=<λAaa,ϕAa(I,a)>

a是属性的类型， ϕAa(I,a) 是模板响应向量， λAaa 是类型a外形特征权值，对于pt的总得分是：

Parsing and Inference
对给定图像寻找parse tree，最大化之前的得分函数：

parsing定义为最大化得分函数 S(p0,I) ， p0 是根节点，对每个part，part type及属性计算外形图及关系图。对外形得分图，每个part,part type及属性计算外形响应。对关系图，最大化父节点组合。子节点条件独立，可以独立最大化。
给定节点 pi ，得分函数是：

Learning
parse tree得分是模型参数 λ 与特征响应 ϕ(pt,I) 的内积，学习任务可认为是寻找最小化风险的参数 λ 。定义了两个损失函数，part loc损失和part 选择损失，

实验结果

在行人属性数据集上的结果如下所示：