ICCV2019-行人重识别-Pose-Guided Feature Alignment for Occluded Person Re-Identification

动机：

这篇文章的中心思想很明确，就是针对于目标遮挡情况下的行人重识别问题。我们知道在目标检测的数据集，尤其是较密集的数据集里对检测目标都会有是否遮挡这样的标注，而re-id数据集里，默认的都是少部分遮挡的目标。所以这个工作对于现实场景下的很有帮助。

创新：

这个文章对于遮挡目标的处理方法很直接，就是将未遮挡区域提出其特征，再结合原始的全局特征进行re-id学习。

1. 遮挡数据集：作者分析了原Duke数据集在training，query，gallery遮挡目标的占比大约是14%/15%/10%。但是现实生活中，检测的目标的遮挡率不可能这么低，所以作者增加了遮挡样本的个数，将query的遮挡样本的数据占比提升到了100%，也就是说，所有的查询目标均为遮挡目标。
2. 提取未遮挡部分：这个使用了额外的人体特征点检测的方法，通过COCO数据集标注的人体特征点数据训练一个人体特征点检测网络。将遮挡样本送入到这个网络后，得到了未遮挡区域的关键点。

2. 得到关键点特征图：对于每一个检测到的关键点，对其通过2维的高斯函数，得到它对整个图像在这个点的相应程度。当然，若未检测到，则响应为0。
   
3. inference阶段：既然query的数据都是遮挡目标，那当然也不能采用原来的inference，即将全局输入得到特征了，这里作者继续采用了人体特征点检测的方法，得到了未遮挡区域，将query和gallery的样本求他们的交集区域，对交集部分进行验证。
   

框架：

• 框架结构：主流（全局特征+基于part的local特征）+支流（未遮挡区域特征）
• 特征：未遮挡区域特征&全局特征 和 基于part的local特征
• 损失函数：CE loss
• backbone：Resnet50 （ last stride = 1）

实验：

主流数据集上效果一般：

在Occluded-DukeMTMC数据集上优于其他方法。

作者还对比了不同姿态提取网络的影响，最后作者选取了AlphaPose

总结：

我认为这是一篇很不错的文章，从实分析问题出发，到解决问题，结构设计，都很符合逻辑，有理有据。而不是那种模块堆叠，特征拼凑的方法。