论文阅读： Clothes-Changing Person Re-identification with RGB Modality Only

论文阅读： Clothes-Changing Person Re-identification with RGB Modality Only

• 这篇文章提出了很巧妙的思想从RGB图像中去除衣服特征的影响，同时兼顾了换衣和不换衣的情况；同时提出从一个步态数据集中通过检测获得一个视频换衣数据集 CCVID。

• 整体框架图
  

• 模型包括身份分类器和衣服分类器：身份分类器就是传统的利用身份标签进行分类，衣服分类是根据衣服标签进行分类。

• 衣服类别的标注是采用了一种简单的策略，通过人工进行标注的。对同一身份的图像穿不同衣服的分成不同类别，这样不同身份的行人即便穿相同衣服也会被分为不同类，但是减少了标注的困难。

• 衣服分类器训练
  

• 训练好衣服分类器后，固定参数，让$L_{ID}$和$L_{CA}$（ Clothes-based Adversarial Loss）联合训练学习衣服无关特征。

• $L_{ID}$没啥说的，来看下$L_{CA}$
  
  这其实就是一个细粒度多类别的身份分类器（文中称为multi-positive-class classification loss），若图像属于同一身份的衣服类，则概率为1/K，K为该身份行人的衣服类别数。而不属于该身份的衣服类，在概率为0。——这样就使得模型不去区分一个人穿什么衣服，而只关注身份本身。

• 但是，这样带来的问题是：会对换衣情况下的身份识别有帮助，但是对不换衣情况下会降低效率。为此，对该公式进行调整，增大同一身份相同衣服的概率，这样就使得模型在关注身份的同时，会去关注部分衣服特征。

• 最后，就是联合优化。训练时，直接让两个函数同时优化，会使模型难以收敛，于是采用Curriculum Learning（课程式学习，由易到难）的优化方式。先用身份损失$L_{ID}$去训练模型， 这样模型就具有基本的识别能力；在第一次学习率下降时，增加$L_{CA}$参与训练。