从多任务角度看《Improving Person Re-identification by Attribute and Identity Learning》

  本人重点做的是多任务学习，但是这方面资料有限，进展缓慢，平时做的是人脸属性分析，在查找文献时，偶然看到这篇论文，感觉看起来思想还可以~因为对行人重识别领域没什么了解，所以只从多任务角度来重点记录下这篇论文。

  首先提下这篇文章作者，是一位在UTS在读的博三学生，发过好几篇顶会文章，羡煞我也，主页在此，有很多行人重识别方向的研究，基本都有代码，唯独这篇没有，有点难过！

  下面进入正文，相比之前工作，本篇文章有两方面不同：

• 文章系统地研究了通过一个联合学习网络，行人重识别任务和属性识别任务怎么互相受益
• 在先前工作中，属性间的联系很少被考虑，但现实中，对同一个人来说，很多属性经常同时发生

1.本篇文章的贡献：

• 人工标记了两个数据库的行人属性（在做多任务时候，很多数据库标签有限真的是很苦恼啊，不得不自己想办法打一些标签）
• 提出了APR框架，做行人识别和属性识别
• 介绍了属性重权重模块（ARM），根据学到的属性间的依赖和联系来更正属性的预测
• 提出了属性加速过程，通过用不同属性从搜索的照片中过滤来加速检索过程
• 在属性识别和行人重识别任务上准确率都得到了提升

2.属性标记

   人为标记了Market-1501和DukeMTMC-reID数据库的属性标签，这两个数据库都是在大学采集的，处于不同季节，Market-1501中很多人穿裙子或短袖，但在DukeMTMC-reID穿长裤。因此，对于两个数据库，采用了不同的属性集。

  属性是根据数据库的特点选择的，所以一个属性的类别标记，比如是否戴帽子，是严重不均衡的。（文中好像也没提怎么缓解这个严重不均衡问题，所以后面将是否戴帽子这个属性去掉后，行人重识别的结果还有上升，是不是和这里的数据严重失衡有关，如何解决？<