(SOTA in ICCV 2019) ABD-Net: Attentive but Diverse Person Re-Identification
https://arxiv.org/pdf/1908.01114.pdf
论文关键词：注意力attention，正交正则化Orthogonality regularization
关于weight间correlation与正交正则化的相关知识，请参考：https://www.jianshu.com/p/3a9660e2dfbc
个人总结：本文提出了一种attention网络，网络同时用到了channel wise attention与spatial wise attention,但是这样高度attention的特征会造成correlation过高，retrieve阶效果不好，因此加入了正交正则化来让attention变得diverse。最终在多个数据集包括MSMT达到了sota效果。
但是本文模型结构可能偏复杂，计算attention步骤计算量大，且特征为两路特征拼接而成，输出特征维度过大（2048）,可能在最终计算效率上存在缺陷。
前言
由于一些遮挡、身体不完全的情况存在，attention机制被采用进来，去使得特征主要捕捉人体的外表信息。
一个更理想的模型是要同时保证attentive和diverse：
1、attentive的目的是纠正不对齐的现象，减小背景的特征占比，增大前景的比重
2、diverse的目的是feature间的correlation更加diverse,使得检索环节效率更高，特征空间表达更详细，因为模型过分关注前景后，由于训练样本不均衡导致feature与网络weight间高correlation会更加严重，进而限制了特征的表达。
Attention部分的做法
1、channel wise attention module
Attention机制的目的是，关注行人的前景特征，去除无关背景。
作为一种共识，深层CNN提取的特征是含有语义信息的，在reID任务中，我们假设人体的深层特征也是存在共通性的，比如一些channel共享相似的语义信息（比如前景人体、遮挡物、背景等），因此这部分的目的是聚集这部分语义相似的channel。
A=C x H x W代表特征图，C是这个特征图的通道数，计算各通道间的相似性矩阵X如下
这个xij代表channel i 对channel j的影响程度，最终得到输出的特征图为
其中γ是一个超参数，调整channel wise attention 的影响程度。
2、position attention module
虽然本文用的是position,但理解上和传统说的spatial attention 应该是同个意思，只是改了个说法。这个模块被设计来聚集语义上相近的像素。
输入的特征图首先放入卷积层，卷积层带有BN操作与ReLU激活，然后计算像素相似矩阵S，最终得到输出特征E，计算流程与channel attention module 类似。
Diversity模块：正交正则化
正交正则化使得模型学到信息更丰富与diverse更高的feature。一些研究使用了hard orthogonality约束，使用SVD分解，去严格约束解在stiefel 流型（通过坐标原点的所有n维平面集合，可看做商空间），但是对高维特征进行svd分解开销过大，目前有一些soft orthogonality的方法，能保证正则化后相乘回来的gram 矩阵的二范数几乎不变.
*知识补充：
1、奇异矩阵：若A找不到一个矩阵B，是的AB=BA=I，那么A是奇异的，反之为非奇异矩阵；奇异矩阵的特点为行列式等于0；（singular，找不对配对的相乘为I的矩阵，所以也可以理解为单身矩阵）
2、矩阵条件数：表征矩阵的奇异程度。
本文提出一种新方法，直接正则化FFT的条件数
网络结构总览
本文增加了一层CAM和OF（特征正交正则化）在 res_conv_2 block上，正则化后的特征作为block 3的输入，block4以后，block5的网络分为了平行的两条全局分支与注意力分支，最终两个分支的特征concate起来就是最终feature。所有的卷积层都使用了OW（权重正交正则化）
注意力分支使用的卷积结构与resnet50的block5完全一致，输出特征图进入缩小层（reduction layer）。注意力分支的特征同时进入CAM和PAM，两个注意力分支输出的特征
element wise加和，最终和输入特征拼接起来。
global分支经过block5之后，先进行一次global pooling后再进行一次reduction layer.
最终训练用的loss为：
reduction layer:由线性层、BN层、RELU、dropout构成，具体结构需要参考:
https://github.com/KaiyangZhou/deep-person-reid
训练细节与具体实现：
输入图片resize成384X128，使用了随机水平翻转、随机擦除、像素归一化等argumentation操作。测试集仅用normalization.注意力分支的特征图为1024x24x8,全局分支特征图为2048x24x8,最终拼接global pooling得到的特征为2048。
Back bone 为resnet50,使用two-step方法transfer learning去finetune模型：first step.先冻结backbone 权重，只训练reduction layer，分类器和所有attention 模块共10个epoch，期间只用cross entropy和triplet。Second step.所有层开始训练60个epoch，所有loss都运行，参数选择βtr = 10−1 , βOF = 10−6 ，βOW = 10−3 , margin for triplet loss α = 1.2.
优化器为adam，使用了warmup。（本文的baseline基本全部用到了之前的strong baseline）。
评测指标：mAP,RANK-1。
实验结果：
实验结果在三个数据集上测评market,Duke,MSMT，对比用baseline为resnet50+softmax,一共设计了9组实验，以判别PAM,CAM, O.W. , O.F.等各trick的作用。
实验结果如下：
1、PAM和CAM在两个数据集上都提升了baseline，同时使用两种attention，使得结果有了进一步提升
2、OF,OW也都能提升效果，一起使用能更进一步提升效果，因此本文提出的正交正则化是证明有效的。另外也hard svd作了对比，发现这种基于OW的soft svd效果反而更好。
3、组合attention和diversity，指标又有了进一步的提升，如果在Loss加入triplet，那么还能进一步提升。
特征图可视化
可以看到CAM使得网络更加关注与人体上的特征，防止过拟合到与人体无关的噪音上，但是过于集中的特征会使得特征表示上更加相关，加入了OW后发现特征确实变得diverse了：处理后的特征达到了更好的平衡，即关注了更多人体部分的特征，同时也很好的把人从背景分割出来。
Feature correlation
本文还对比了不同方法下channel输出的特征的correlation matrix。特征为global pooling 前，reshape成CXN，其中N=HXW，发现baseline网络的特征关联最低=0.049，加入了PAM和CAM后，关联度变高=0.368，而在加入了OW正则化后，这个关联度确实被抑制了=0.214；（这个correlation指的是什么？）
观察feature的embedding分布，发现加了attention后，特征分布变散了，加了ow后又聚了回来
