PAUL：Patch-based Discriminative Feature Learning for Unsupervised Person Re-identification阅读总结

Patch-based Discriminative Feature Learning for Unsupervised Person Re-identification

作者：Qize Yang, Hong-Xing Yu(MAR一作) 郑伟诗团队 2019 CVPR
源码：https://github.com/QizeYang/PAUL.

1.摘要：

part/patch在有监督reid中用烂了，但无监督reid中还没用过。因此作者提出基于patch的无监督网络PAUL。主要是三个部分：PatchNet提取patch，PEDAL和IPFL作为损失监督，性能不错。

2. 介绍

2.1. Motivation

作者的motivation来于实验观察，如下图：

对上图解释如下：相似的图像中必然存在相似的matched patches，而且patches之间的相似度必然远大于图像的相似度；但不是所有的matched patches都相似，因此作者要做基于patch的而不是基于图像的无监督reid。

2.2. 主体框架：

整个模型叫做patch-based unsupervised learning(PAUL)，分三个部分：

• 前期是一个PatchNet网络，对输入图像学习到的feature map提取patches并为这些patches学习鉴别性特征(每个patch鉴别性特征学习单独用一条支路)
• 在PatchNet中学习的无监督图像的鉴别性patch特征(不是指patch的学习，patch的学习是PatchNet中的基于STN的PGN网络学习的)是由patch-based discriminative feature learning loss (PEDAL)损失监督指导的，其pull相似patch但push不相似patch。
• 同时，还使用image-level patch feature learning loss (IPFL)对所有patches进行图像级指导，即克服pull相似的patch对那些难负样本的负面影响，该损失是基于triplet的，triplet分别有anchor，anchor经图像变化的代理正样本，anchor用循环ranking挖掘的困难负样本组成。

2.3. 贡献：

• 第一次在无监督reid中用patch/part策略
• PAUL的有效性

3. PAUL模型

3.1. PAUL概览

在2.2中的主体框架中已介绍了大半，这里只进行补充，如图2所示：

3.2. 各模块介绍

3.2.1 PatchNet

PatchNet由前端的CNN bockbone，中端的patch generation network (PGN)以及后端的多分支鉴别性特征学习网络组成。PGN是从STN改造而来，对前端CNN的feature map提取patches而非直接对原始图像提取patches(能减少计算和复杂度)，其能自动捕捉M个不同的(作者用的是不同的初始化，但这显然不够，需要更好的策略保证这些patches之间少重叠和针对性—如都针对手臂，躯体而不是背景之类的，然而奇怪的是作者展示的patch学习结果却挺不错的，图6)图像patches，这些是通过localization network (LN)网络的一组仿射变换参数：都是一个2*3的仿射变换矩阵，分别对应两个平移，两个旋转，两个尺度参数。这些参数是通过LN模块的卷进层+两个FC层学习到的，其中最后一个FC的bias参数初始化不同而带来学习不同的M个不同patches(前面说了不够)，PGN经过LN后再经过patch sampling grids和the sampler两个模块就可以完整的裁减出M个patches了。然后由于M个patches分别对应M个不同的图像区域，其语义信息也不同，因此需要使用M个独立的CNN分支分别提取鉴别性patch特征，就像学习M个不同属性那样。But，这是unlabeled数据，怎么学习？作者提出了下面两种损失来进行监督。

3.2.2 Patch-based Discriminative Feature Learning PEDAL

每个分支用一个损失函数来监督(图2patch后面的CNN部分)，所有分支在形式上式一样的。

但作者指出，以上过程需要将这个batch内的每一张图像的m-th个patch的特征(以m-th patch为例说明问题，其余patch同理)和所有训练集图像的m-th个patch的特征计算相似度，根据相似度将它们pull和push，这就类似于测试过程中probe和gallery的关系，我们知道：即使是计算简单的cos相似度，这个可近似看做“度量学习”的过程也是相当耗时的；即使是优秀如KISSME和triplet的度量学习方法，也会出现probe的检索结果中rank较高的图像与probe的相似度不太高而rank较低的图像与probe的相似度很高的现象，因此这种计算相似度的过程我们其实希望只在最后的测试阶段做(2017年的PUL中就是在测试之前引入了计算相似度的过程，因此性能不算很高)，而本文则脱离了这一过程，引入了和ECN类似的内存机制(这种内存机制估计是出自哪一篇文章)，略有不同。作者设计了一个patch feature memory bank来存储这些patch特征，设训练集图像数量为N，存储体记为：






以上过程看似很普通，但却解决了几个问题：
将计算相似度的过程转变为计算和存储体差异的L2范数了；而根据对式2的推导(从原始式2也不难发现)可以发现，尽管式2表面上类似于一个分类的形式，但作者没有想办法打伪标签，而是将一直以来“用分类来解决reid”的思想退还为检索问题(pull相似和push不相似)，而reid正是一个检索问题，用检索的方法来做才是正道。当下的方法多数是：softmax和triplet损失联调，基于ResNet50网络的backbone去掉最后两个fc而加上一些分类的fc层，本质上没有逃离分类的圈子，而联调效果好也正是因为用分类(softmax)做reid不够，必须用基于检索的度量学习损失(triplet)才能带来性能的进一步improve。作者成功解决了这一问题。并且这种存储体结构设计和ECN一样，是一种不仅仅考虑一个batch内样本关系，而是考虑整个数据集内的样本关系的一种方法，从ECN可以看出这一策略能提点很多。

讨论：

根据图3的实验可以看出，如果直接pull视觉/外观相似的图像对而push视觉/外观不相似的图像对势必导致模型对于不同id的相似图像的鉴别力不够，如图3c所示。而如果pull视觉/外观相似的patches对而push视觉/外观不相似的patches对，如图3ab所示，可以很好的解决这一问题，虽然pull视觉/外观相似的patches也会略微导致模型对于不同id的相似图像的鉴别力不够，但id其实不是由某一个patch决定的，而是由很多patch共同决定的，因此我们还有IPFL损失来补救。即使没有，如图3a所示，我们pull了不同id的黄色T恤的上身patch，但如图3b所示，我们会因为它们下身裤子的不同而push开它们。

3.2.3. image-level patch feature learning loss (IPFL)

目的是为了进一步监督最小化类内差异并最大化类间差异，这次和监督reid一样用triplet的rank loss来监督。那triplet怎么获取？

首先要明确的是这里用的是图像级的综合信息，global，很好理解。然后anchor就是输入的图像，将该图像通过一系列图像变换如crop，scale，rotation，brightness，contrast和saturation等就得到所谓的代理正样本。而负样本则是通过循环ranking挖掘到的。

所谓循环ranking，其思想是互近邻的概念，即我在你的rank结果中，而你也在我的rank结果中，则我和你是相同id样本的概率就很大(ZhongZhun的re-ranking,2017)；那反过来，我在你的rank结果中，而你不在我的rank结果中，则我和你是不同id样本的概率就很大。如下图4：

在这一块其实使用了前面说的测试之前计算相似度的问题，这一过程确实是为引入错误的(可以在测试时看rank结果的相似度就可以发现)，但好在作者仅仅是为了挖一个硬负样本，就算挖错了，也很大概率是负样本而非正样本(负样本比正样本多)，因此问题不大。

操作：对一张图像(query)按照测试时一样做rank，得到rank list；取top1作为新query，ranking，看query是否在新query的rank list的top-r中，不在则说明该top1是硬负样本，否则说明不是，继续；再看top2，top3，…直到找到了指定个数的硬负样本，我们这里只找一个最难的，而硬负样本的位置在query的rank list中位置越靠前，说明越hard，因此指定只挖掘一个硬负样本也就是最难的那个。
注：以上均在一个batch中进行。

找到triplet的图像后，接下来就是将这些图像通过网络得到的patch特征(s)各自concat起来就是图像特征(测试时也是取这个作为图像特征的)，三个特征的三元组损失为：

3.3. 总优化目标

4. 实验

注：和MAR一样，用了MSMT打辅助预训练PatchGAN了(和MAR一个组的作品)，仅这一点就提点很大
MAR传送门：MAR

4.1. 实验细节

• CNN的backbone选ImageNet上预训练的ResNet50，去掉最后的2个fc(用MSMT预训练这个过程没有完全逃出分类网络这一过程，但已标注的数据用分类网络确实强过检索(ZL，IDE))，最后一个残差块的stride改为1
• 每个分支输出的最终向量维度设置为256
• PGN用不同初始化来锁定不同区域(理论上是不够，会重叠的；但作者没有用这一点仍然学习得很好了，图6，每个patch提取基本都锁定在同一区域，且在没有高级特征指导的情况下(ZZD,PAN)仍然关注的是行人区域，其定位网络的进一步改善可能性不大)
• PEDAL中的k超参取10，s超参取10/30(D/M)，l更新率超参取0.1
• IPFL中r超参取3，m超参取2
• 总损失中lambda超参取2
• PatchGAN在MSMT上预训练，之后用unlabel数据训练时不再使用MSMT，并固定PGN
• 图像输入resize为384*128
• 每个batch输入40张真实图像和经过图像变化的40张代理正样本(每张图像生成一张代理正样本)
• SGD优化，lr为0.0001，每50epoch除10，60epoch结束训练
• patch特征(s)concat作为行人描述符–测试
• 获取代理正样本时的图像变化策略(每张图像变化时从下面随机选一个)
  ** crop：随机crop图像的70%~95%处理
  ** rotation：随机旋转图像10度
  ** contrast，brightness和saturation：随机变化原来的80%~120%

4.2. 和SOTA比较

Duke上挺高的，但其实用MSMT预训练了，不算公平比较
作者说好的原因在两个方面：不同数据集之间图像存在的gap比patch存在的gap大；结构有效

4.3. 消融

第二行的结果和作者说的一致，对相似图像pull到一起会使鉴别性降低，不利

4.4 更深的分析

学习的patch的可视化：

框出来的区域对齐得很好，只进行了简单的不同初始化达到这种效果其实很厉害。

PGN：

第一栏是随机选patch，第二个是选择equal的水平stripe做patch的效果。

几个超参的影响

其他数据集上的效果

在不同数据集上预训练模型的影响

MSMT上预训练然后在Market测试的性能只有68.5%，说明模型还是很有效的，不是完全依赖于大的MSMT预训练的。在Market上预训练，Duke上测试的效果不行，只有56%，主要原因是MSMT和Duke有更多common的patch，而M和D则没有这么多common的patch