Person Re-identification 系列论文笔记（三）：Improving Person Re-identification by Attribute and Identity Learning

Improving Person Re-identification by Attribute and Identity Learning　　

Lin Y, Zheng L, Zheng Z, et al. Improving Person Re-identification by Attribute and Identity Learning[J]. 2017.

　　这篇论文主要是将attribute learning和Person Re-id结合起来，做了一个多任务学习网络。

在这里顺介绍下机器学习里多任务学习，参考《An Overview of Multi-Task Learning
in Deep Neural Networks》。

　　多任务学习，相对单任务学习来说的一种优化不止一个目标函数的机器学习算法。

（动机）从生物角度，模拟人类学习过程，先从相关任务中获取知识再认识新的任务。从教学法角度，在掌握复杂技能前，先掌握基本技能。

从机器学习角度，是一种归约迁移，引入归约偏置来使模型倾向于某些假设，从而改进模型。

（作用）实现多任务，计算优化目标只有一个，辅助任务会使模型的解趋向于解释多个任务的解，最终使泛化性能更好。

 

　　多任务有两种形式：硬共享和软共享。硬共享指参数共享。软共享指子任务有独立的参数，对模型参数的距离进行正则化来保障参数的相似。

（CNN里大部分采用硬共享，这样能大大减少参数量和计算量）

　　

　　contributions

 　　属性学习和行人重识别两者有共同的目标，对行人进行特征描述。属性学习，关注的是行人的局部，而行人重识别提取的是全局特征（包含局部）。

用多任务去实现属性识别和行人重鉴定，借助于属性识别关注的局部特征，行人重识别会同时兼顾全局特征和局部特征，提高检索性能。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

pipline

 　　共享权值部分ResNet-50用于特征提取，pool5后的特征输入不同的子任务分支，单个属性识别和行人重鉴定均使用softmax分类。

experiments

Baseline1，only Identification Learning
Baseline2，only attribute learning
ARP，multi-task

下面是人体属性分类的性能