行人重识别（Person Re-ID）【四】：论文笔记——Beyond Part Models: Person Retrieval with Refined Part Pooling

论文：Beyond Part Models: Person Retrieval with Refined Part Pooling

链接：http://openaccess.thecvf.com/content_ECCV_2018/papers/Yifan_Sun_Beyond_Part_Models_ECCV_2018_paper.pdf

代码：https://github.com/syfafterzy/PCB_RPP

 

 

前言：

这篇是ECCV2018关于行人重识别（Person Re-ID）的文章，由清华大学孙奕帆（SVDNet的作者）、郑良大神等人提出。

本文主要是提出一种既能精确划分部件信息（part-level features）而又不借助姿态估计的方法——PCB+RPP的网络框架。

PCB硬划分提取局部特征，然而简单粗暴的划分会使得对齐不够精确，于是作者考虑加入了软划分来辅助精修，但一般的软划分需要借助分割甚至是关键点和姿势估计，需要昂贵的标注成本，因此提出PCB+RPP。

 

这里做下补充，目前利用局部特征做 Re-ID 的方法大致分为下面两类：

 1. 利用在其他数据集上训练好的姿势估计模型无监督迁移到 Re-ID 数据集上，得到局部特征的定位，根据这些提取到的关键点信息，利用图像处理（图像区域联结）的方法，得到各个部件（如头、上身，下身、手，脚等），然后基于这些分割开的部件，提取局部特征信息（part-level features），如下图CVPR2017的工作Spindle Net  （http://openaccess.thecvf.com/content_cvpr_2017/papers/Zhao_Spindle_Net_Person_CVPR_2017_paper.pdf） 就利用了14个人体关键点来提取局部特征，Spindle Net直接利用这些关键点来抠出ROI；

 2.不使用额外的类似于姿势估计的模型，因此也就不需要单独对每个人体部件进行标注，而是用统一的分块方式，最常用的就是水平切块（stripe）（例如对一个行人均匀分割为固定数目的水平块）或者采用 attention 机制去locate等。

 使用第一种方法虽然可以显式的定位这些人体的部件，但是也要忍受从姿势估计这个任务迁移到行人重识别任务过程中，由于 姿势估计的数据集和Re-ID的数据集之间肯定存在很大的数据偏差（datasets bias ），从而引入了新的误差，如果通过姿势估计定位带来的提升大于引入误差导致的性能降低，那么整体也是可以接受的；但是引入姿势估计一方面是模型训练的时间消耗较大，另一方面是标注的成本增加。

这篇文章第一部分PCB模型属于第二类方法，使用得是均匀水平切块（分成6块）。且对不同part用不同loss去训练（6块对应6个loss）。但是对于均匀分割来说，一个致命的问题就是：不同图像在同一part可能因为没有对齐而出现不同的语意信息（比如第一张图的从上到下的第一个水平块对应这个人的头部，但是由于第二张图顶部有很大的背景空余，导致同一个ID的人的头部出现在第四个水平块，这样会给模型的学习带来很大的干扰）。具体可以看下面这张图：

因此，有一些论文就针对分块提出了对齐的策略，如AlignedReID （https://arxiv.org/pdf/1711.08184.pdf） 就提出了基于SP距离的自动对齐模型，在不需要额外信息的情况下来自动对齐局部特征。而采用的方法就是最短路径距离。

而本文作者提出了 RPP（Refined Part Pooling） 对统一分割进行精修，这也是本文的一大亮点。（给我的感觉有那么一点像目标检测里two stages的Faster RCNN，第一步先得到proposals也就是比较粗略的信息，然后通过第二步进行回归精修得到准确的信息，只不过这边的第二步利用了局部信息，相当于在全局信息上增加了attention）

 

 

Abstract：

论文摘要部分首先提到，提取局部特征（part-level features）对于Re-ID这种细粒度程度很大的图像识别任务是十分重要的一步，不过先决条件是，一个行人图像的各part之间要能准确的 located 到，也就是能准确定位到行人的各part部件，不能只是严格的均匀的分割区域方式如前面提到水平切块（stripe），否则就会有很大的对齐问题需要解决，因此有时水平切块会被学界吐槽太过于“简单粗暴”，因为人体也不是方方正正的网格结构而是要考虑各part之间信息过渡的连续性。

作者没有引入姿势估计的模型，而是注重于让模型学习到有区分性的有益的部件信息，文章主要有以下2点贡献：

1.作者首先设计了新的更强的baseline网络-PCB（Part-based Convolutional  Baseline），输入一张行人的图片，其能得到由几个part级别的特征得到的综合描述子用于Re-ID任务的行人匹配，PCB网络达到了state-of-the-art的程度，可以很好地作为Re-ID的baseline网络；

2.用于后续精修（refined）的池化部分RPP（Refined Part Pooling），统一的划分（PCB）不可避免地会在每一个part多多少少带来些误差，可能有些part明明更像下一部分，却因为强制划分被分在了上一部分去了，因此RPP重新指定和分配这些part到更接近真实part的那部分去，使得精修后每一part更具有代表性，也就是学习到更具有区分性的部件信息。实验证明，RPP加上PCB，可以达到很好的实验效果，例如在Market-1501数据街上，达到了 (77.4+4.2)% mAP 和 (92.3+1.5)%
rank-1 accuracy，＋号后面的数字代表加上RPP后提升的效果。

 

 

1 Introduction：

主要是介绍Re-ID是在一个大的数据库里，给你一个query，检索到和这个query身份一致的人，目前大部分都是用到深度学习的方法，而且当全局信息能够很好地荣誉局部信息，一般都能取得比较好的效果，最新的取得 state of the art 的方法基本都是借助了 part-informed deep features，如下图所示：

a-e是其他借助了局部信息的方法，f是本文提出的方法：本文的方法先依靠整体划分（PCB），然后对每一个小块进行精修（RPP）（Our method employs a uniform partition and then refines each stripe）

 

前面提到过，要想学习到有区分性的局部特征，一个很重要的先决条件是：各part之间要能准确的 located 到。近期的这些state of the art 的方法主要就是在行人划分partition的方法上做五花八门的改变，目前利用局部特征做 Re-ID 的方法主要分为两类，前面也提到了，这里就不再详细介绍了。

作者思考如何能够使得部件更好地对齐，考虑到如果引入语义分割肯定会得到比较好的指引信息，更好地学习到局部特征，但是同时也不可避免地引入了姿势估计的误差，因此本文就从另一个角度出发，强调each part的一致性，因此作者就想到了先得到一个粗略的划分，然后通过refined来得到更好的更一致性的局部信息（单从思想出发，真的好像目标检测里二阶段的方法啊！不知道其他同学有没有这样的想法？）

这里再补充一下PCB和RPP：

PCB不会准确地划分部件，整张行人图作为输入，经PCB后输出特征图，作为一个分类网络，PCB的结构也是很简洁的，只是在backbone network上进行稍微的修改得到，而且训练过程没有用很多花里花俏的技巧。效果提升也很明显：在Market-1501数据集上，rank-1 accuracy从 85.3% 提升到  92.3% (+7.0%) ， mAP从 68.5% 提升到 77.4% (+8.9%) 。

RPP是一个自适应的pooling方法，主要是改善PCB的粗划分效果，因为经PCB划分后，每一个part之间还是存在或多或少的对齐误差，即有些part的小部分信息靠近另一部分的part，这样就导致另一部分part内的部信息不一致（例如头的部分信息被划分到了上身，那就会影响上身的学习）。因此通过重新分配这些划分错误的部分到离真实信息更近的part，使得part内信息更近一致，可以有效提升效果，且在训练的时候不需要各个part的标签。具体做法：某part边缘部分的outliers重新划分到临近的parts上，这样就产生了一个part内连续性（连贯性），这使得应用part的model性能得到增强。效果：在Market-1501数据集上，RPP 在PCB上更进一步地提升了效果，达到了93.8% (+1.5%)的 rank-1 accuracy 和 81.6% (+4.2%) 的mAP。

 

 

2 Related works：

这部分就不详细介绍了，有需要的同学自己看看paper哈，主要就是介绍Re-ID以及利用局部特征做 Re-ID 的方法的相关工作。

 

 

3 Proposed Method：

这部分就是本文的主体啦，详细介绍PCB和RPP的实现和细节。

 

3.1 PCB: A Part-based Convolutional Baseline

1.Backbone network

本文的 Backbone network 主要用了 ResNet50，因为它的表现效果好，以及相对简洁的结构。

2.From backbone to PCB

从Backbone network到PCB只做了很小的修改，具体如下图所示：

在 全局平均池化GAP层（global average pooling）之前的结构和原始的Backbone模型也就是Resnet50完全一样，主要不同在于GAP层的改变，以及Resnet50 GAP后面的层都被移除了。

 

PCB的具体实现如下：

当输入一张行人图片H，经过 图中的 convolutional layers from backbone network 后，得到一个激活后的三维 tensor变量T ，定义深度特征 tensor T 中每个channel axis为 column vectors，即图中的 f ；

接着将 tensor T 分成 p个 horizontal stripes（水平块），再分别对p个 horizontal stripes 做 average pooling 就得到了p个局部特征 g   ；

然后再用 1x1 conv降低 g 的维度，使其降到256维，得到新的局部特征 h；

最后每一个 h 单独经过一个全连接层后，都会被单独送入一个分类器中，即用 p个n（训练集ID数目）分类的 softmax 作为分类器进行训练；

在训练阶段时，通过 最小化（minimizing）交叉熵损失函数的 sum （p个分类器p个loss） 来优化PCB的训练；

在测试阶段时，分别串联向量g和h作为行人图像的特征表示。

 

PCB的重要参数和细节：

一些超参数如

• 输入图像的size（H和W）
• 深度特征 tensor T的空间size（图2中T的尺寸M和N）
• 池化后的 column vectors 的数量（p）

对PCB的效果影响很大，因此需要选择正确的超参数。

其中，深度特征 tensor T的空间size——M和N是由backbone模型的空间降采样的比例决定的。

同时还借鉴了目标检测中的 SSD 和 R-FCN算法思想——减少降采样（down-sampling）的比例可以有效地提高特征的细粒度，于是作者去掉了 Resnet50 的最后一次 down-sampling ，从而增大了 tensor T的 size ，这是PCB取得好的效果的原因之一，

这步操作在仅仅增加了很少的时间消耗，却取得了可观的准确率提升。

因此，通过实验对比，作者得出PCB的最优设置参数如下：

• 图像 resize 到 384x128 ，图像高宽比（H：W）为3:1
• 深度特征 tensor T的空间尺寸MxN 为 24x8
• T最后被均等地划分为6个 horizontal stripes ，即 p 取6

 

3.2 Within-Part Inconsistency

这部分描述了part内部信息不一致的现象，揭示了这种强制划分存在的问题。

因此虽然这种强制均等划分简单有效，但同样是需要进的，因为它不可避免地由于划分的不精准带来的part与part之间的误差，必然会降低模型学习区分性特征的能力。

因此本文从一个新的视角去分析这种  partition errors ：从 the within-part inconsistency 方面，也就是part内部的不一致性。

作者认为 column vector f in a same part of T should be similar to each other and be dissimilar to column vectors in other parts，也就是同一个part内的column vector f应该彼此之间相似，而不同part之间应该有差异。（感觉有点像triplet loss，同个ID的人靠近，不同ID的人推开）

训练PCB到收敛后，通过比较每一个column vector f 和 g 的相似度，即测量它们之间的余弦距离，找到离每一个column vector f 距离最近的 part ，具体看下面图3 ，每一个 column vector 通过一个小矩形块来表示，而且根据距离其最近的part画上不同的颜色，这样就很容易进行观察。

我们可以看到存在很多前面说到的误差 outliers，比如Part 1 里面有一些其他颜色的小矩形，这就说明，有些column vectors更像另一个part的，所以这样的强制均匀划分是存在问题的，需要进一步改进。

 

3.3 Refined Part Pooling

这一部分就介绍重点的RPP啦，由于上面提到的存在很多误差 outliers ，所以作者提出了 refined part pooling (RPP) 来纠正这些part内的不一致现象，目标是通过 column vectors f 和其最相似的 part 来对齐所有的column vectors f ，让他们回到属于自己的那个part去，这些误差 outliers就能被重新定位，找到属于它自己的位置。

更具体是，在数值上测量 f 和 每一个P（part）相似度S   

然后 column vector f 根据计算得到的 S 值来重采样到最相似的那个 part 上，公式如下：

（其中，F是tensor T中所有 column vector f 的集合；{ }表示重采样操作，形成一个新的集合）

假定我们已经完成了上面公式1的重采样操作，并更新了每一个 part ，然后之前测过的相似度 S 就不起作用了，因为位置都发生变化了，所以就需要不断地重复     “相似度测量”  ——>  “重采样”  操作，直到收敛。

所以，RPP不再通过测量每一个 f 和 P之间的相似度，而是对每一个 f 用 6个 part classifier （假设共有6个parts）去预测的值（即 f 属于某一个P 的概率），文中是通过线性函数W加Softmax来实现 ，公式2如下：

（其中，p是设定的分成的part的数目，这里取6；W是提到的part classifier 分类器中可训练的权重矩阵）

 

因此RPP做的是一个“soft”的和自适应的划分操作，来精修前面PCB的“hard”和均匀划分，且由于均匀划分带来的误差 outliers 会被重新分配它们应该属于的位置，这些都是RPP带来的好处。

因此结合了RPP之后，PCB就进化成下图4这样：

RPP 和 part classifier 和后续的降采样操作，取代了原来的 average pooling 操作，而其他层跟图2是一样的，没有变化。

把每个part对应的 attention map 权值叠加回 tensor T 里（即上图的 GAP过程），得到各 part 的spatial 空间压缩后的 feature vector g ~ 后续步骤都和PCB一样~

权重矩阵W不需要各部件的label就可以训练，下面3.4节会介绍如何训练 part classifier .

 

3.4 Induced Training for Part Classifier

这一小节主要介绍如何训练RPP，因为没有part label 信息的辅助训练，所以使用已经学习到的PCB训练好的模型，来引导新加入的RPP的训练，RPP 只有一项参数 W，训练分如下几步：

1. tensor T均等划分，并训练 PCB 至收敛（这一步引导训练的重要性后面的4.5小节有讲到）；
2. 将 原来 tensor T 后面的 average pooling层替换为一个 p分类的 part classifier；
3. 固定PCB的其它层的参数只训练 part classifier 的 W 参数至收敛；
4. 放开全部参数，fine tune 以达到 overall optimization 。

在上面的训练过程中，第一步训练好的PCB模型会引导后续的 part classifier 的训练。第三步和第四步收敛得非常快，大约总共只需要10 多个 epochs 即可。

文中的训练流程图如下：

 

 

 

4 Experiments

4.1 Datasets and Settings

这一小节主要介绍实验数据集和配置。

• Datasets：Market-1501，DuckMTMC-reID，CUHK03 (new training/testing protocol)
• setting：single-query，without re-ranking（因为re-ranking会对mAP的提升效果显著）

 

4.2 Implementation details

这一小节主要介绍一些实验的细节部分。

进行IDE作为对比实验（IDE is a commonly used baseline in deep re-ID systems），且做了一些改进（same backbone network,i.e., ResNet50, and with several optimizations over the original one），最终作者实验出来的IDE模型效果稍好过原来的（On Market-1501, our implemented IDE achieves 85.3% rank-1 accuracy and 68.5% mAP, which is a bit higher than the implementation）。

然后是2种PCB的结构进行实验比较，用相同的 backbone network ，有不同的结构to learn part-level features ：

• Variant 1：不再基于每个  去进行单独的ID prediction，而是合并所有的  成为一个，然后得到一个ID prediction 向量。测试时同样concat所有的g或h，因为concat了，所以只有一个loss；
• Variant 2：和 图2 一样的PCB结构，所有的 FC classifiers 的分支共享参数。

训练时，对训练集进行了水平翻转和normalization的增强操作，batch size 设置为64，以0.1的基础学习率训练模型60个epochs  ，在40个epochs之后降低到 0.01 。backbone model 在 ImageNet 上进行预训练。

实验用2块NVIDIA TITAN XP GPUs ，框架使用Pytorch ， 在 Market-1501 (12,936 training images)上训练一个 IDE model 和一个标准的 PCB大约分别需要 40 和 50分钟。PCB训练上消耗多的10多分钟主要是因为去掉了最后的降采样层，使得 tensor T 扩大了4倍。

 

4.3 Performance evaluation

最后实验的结果如下Table 1所示：

结论：

1. PCB是一个strong的baseline模型。相比 IDE，PCB 的 mAP 提升8.9-15.3%；
2. RPP可以有效改善PCB的效果，特别是mAP。RPP 对 PCB 的 rank-1 提升 1.5-3.1%，mAP 提升 3.1-4.2%，mAP提升效果更加明显，因为rank-1是描述找到最佳匹配的衡量标准，而mAP是描述找到所有匹配的衡量标准，因此就说明RPP对于找到more challenging的匹配是有效的；
3. 使用p个losses的有效性。图2中，最后用到了p 个分支的损失，通过对比上一小节的Variant 1单loss，可以看到Variant 1的准确率没有PCB高，多损失比单损失提升明显，mAP 提升约 10-15%，这也就说明了对每个part 分别使用一个loss去约束，对学习到每个part的区分性特征十分有效；
4. p 个分类器（identity classifiers）不共享参数的有效性。通过对比本文的PCB（不共享参数），以及上一小节的Variant 2的共享参数，p 个分类器不共享参数相比共享参数提升 mAP 2.4-7.4%。

 

 

Table 2是Market-1501数据集上 state of the art 方法之间的对比：

分为3组

——Group 1:手工设计模型（hand-crafted methods）

——Group 2:利用全局特征的深度学习方法（deep learning methods employing global feature）

——Group 3:利用局部特征的深度学习方法（deep learning methods employing part features）

*号表示需要额外的辅助part labels

本文提出的方法在最下面，PCB以及PCB+RPP

 

只依靠统一均匀划分的PCB就超过了其他所有的方法，甚至包括那些需要额外的辅助part labels 来故意对齐part的方法。（可见PCB是个挺强大的baseline模型，因此作者也希望以后可以有更多人在Re-ID领域使用PCB作为baseline模型）

当PCB通过RPP精修后，每一项指标均达到最优！

 

Table 3是在DukeMTMC-reID and CUHK03数据集上的比较：

 

最终，本文的PCB+RPP方法对于Market-1501, Duke and CUHK03这三个最权威的Re-ID数据集：mAP = 81.6%, 69.2%, 57.5% 以及 Rank-1= 93.8%, 83.3% and 63.7% ,在三个数据集上均达到了 state of the art ！且没有用到re-ranking，当用了re-ranking之后，在Market-1501数据集上，mAP 和 Rank-1 提升到了 91.9% and 95.1%！

 

4.4 Parameters Analysis

这一小节是对一些重要的超参数如何设置进行试验分析，在Market-1501数据集上进行实验，但确定好参数后同样可以在其他数据集上使用（Once optimized, the same parameters are used for all the three datasets.）：

1.The size of images and tensor T

 image size 在 192 × 64 到 576 × 192之间的范围, 并使用 96 × 32 作为不同组实验之间的间隔；而且还设置了2个不同的降采样率进行对比，蓝色曲线为原始的降采样率，红色为对半的降采样率。

结果：

大的图像尺寸有利于学习到局部特征（a larger image size benefits the learned part feature）；

小一些的 down-sampling rate （因为降采样率低了，所以 larger spatial size of tensor T）更有效，特别是对于输入的图片尺寸较小时，提升很明显。

因此，在（a）中，我们可以看到，使用384×128的图像尺寸并使用对半的down-sampling rate，与使用 576 × 192图像尺寸并使用原始的down-sampling rate达到几乎一样的表现效果。

 

2.The number of parts p

对比划分part数目p的效果进行实验探究

直观上看，p决定了part feature 的细粒度（即划分的p数量越多，细粒度程度越大），当p=1时，就退化成为了全局特征

结果：

由上图（b）可以看出：

当p增大时，一开始mAP和 Rank-1均提升，但不是一直提升下去，当 p = 8 或者 12 时, 准确率突然急剧下降，无论是否使用了RPP（红色曲线和蓝色曲线均呈现一致的下降趋势）

具体实验效果可以参考下图Fig6的可视化：

当p增大到 8（b） 或者 12（c），一些refined parts会和其它refined parts之间有很大程度的相似性，有些又没有分配到

因此，不是说p越大越好，而要区分的几个part之间有明显的可比性（比如人的头，人的上半身，下半身，鞋子等等）

因此实际使用中，p=6是最好的。

 

4.5 Induction and Attention Mechanism

这一小节主要介绍PCB引导训练的重要性以及与另一篇基于 attention 机制方法的对比。

我们在前面3.4小节介绍RPP的训练时，提到使用已经学习到的PCB训练好的模型，来引导新加入的RPP的训练

原文提到：Without PCB pre-training,the network learns to partition T under no induction and becomes similar to methods driven by attention mechanism

也就是说如果没有PCB的预训练模型，网络在没有引导的情况下去学习T，来训练RPP，效果就跟基于 attention 机制方法差不多（网络自己去学）。文章做了实验，如下Table4：

无论PCB中用何种partition strategy，PCB效果总是优于基于attention的PAR方法（which learns to partition through attention mechanism）

如果没有引导，the network learns to focus on several parts through attention mechanism ，效果比加了引导的下降很多。（看图中只要RPP的那一行）

使用RPP通过预训练的PCB来引导，比通过attention mechanism来学习局部特征效果要好。

 

 

5 Conclusion：

总结

本文主要有2点贡献来解决Re-ID的问题：

1.设计了新的更强的baseline网络-PCB（Part-based Convolutional  Baseline）来学习 part-informed features，目的是作为后续的RPP的引导信息，PCB采用的是强制统一均匀划分，PCB 达到了 state of the art 的水平， 未来应该会是一个广泛应用于Re-ID任务的 strong baseline 模型；

2.不过PCB太过于暴力，因此还需要 refined 一下，于是作者又提出了用于后续精修（refined）的池化部分RPP（Refined Part Pooling），用来增强每一个 part 内部的信息一致性。Refinement 之后，相似的 column vectors 会被划分到相同的 part 内，使得每一个 part 内部信息更加趋于一致。RPP不需要 part labeling information ，并且能够很大程度改善PCB的效果。