2018-CVPR-Harmonious Attention Network for Person Re-Identification

论文地址
代码实现【Pytorch】

Motivation

• 对于大幅度的姿势变化以及错检带来的行人框对准问题，现有方法采用constrained attention selection mechanisms解决并不是最优的，如何更好的优化该问题呢？

Contribution

• 提出了新的联合学习多尺度注意力徐州与特征表示方法
• Harmonious Attention Moudle
  • hard region-level
  • soft pixel-level
    ==> a lightweight Harmouious Attention module
• cross-attention interaction learning scheme：进一步提高注意力选择与特征表示的兼容性

---

1.Introduction

• 本文关注的问题：
  • 检测算法带来的对准、背景混杂、遮挡、缺失身体问题
  • 不同摄像头视角下姿势变化的图像匹配不对准问题
• 现有方法解决思路：
  • 成对图像匹配中的局部区域校准和显着性加权 ==> 缺点：依赖手工特征，缺少深度特征的判别力
  • Attention deep learning model:借助现有分类模型，过于复杂且只有粗糙的区域注意力，忽视了细节信息，对小数据集的训练不是很有效
• 本文将注意力选择与特征表示进行联合学习，提出了一个轻量级网络HACNN

---

2.Related Work

• attention selection techniques:
  • hand-crafted features
• attention deep learning methods(PDC等):
  • regional attention selection sub-network(hard attenion)
  • soft attention
• HA-CNN的优势：
  • soft + hard
  • multi-level correlated attention
  • cross-attention interaction learning

3. Harmonious Attention Network

• 目标：在剧烈的视角变化的情况下学到最优的深度特征表示模型

HA-CNN Overview

- a harmonious attention learning scheme：对于边界框未知的不对准进行attention selection - hard attention ==> local branch - soft attention ==> global branch - a cross-attention interaction learning scheme between the local and global branches：提高柔和与兼容性来同时优化每一个branch

3.1.Harmonious Attention Learning

• hard regional attention(STN) + soft spatial(RAN) + channel attention(SE)

(Ⅰ)Soft Spatial-Channel Attention

(1) Spatial attention:

• 4层的网络(10个参数)
  • a global cross-channel averaging pooling layer(通道维度池化)
  • 3 x 3 conv s = 2
  • resizing bilinear layer
  • scaling conv layer:自适应学习融合尺寸，达到与通道注意力的最优融合
• 跨通道池化公式定义: $h \times w \times c$ ==> $h \times w \times 1$ ，对于第二层的卷积降低了c倍参数
  $S^l_{input}= \frac{1}{c}\sum_{i=1}^{c}X^l_{1:h,1:w,i}$
• cross-channel pooling合理性：所有通道共享相同的空间注意力图

Channel Attention

• 4-layers
  squeeze-and-excitation sub-network

(Ⅱ)Hard Regional Attention

• 作用：利用STN思想，在不同的层次通过转换矩阵定位潜在的$T$个判别区域
  $\mathbf{A}^l = \left[ \begin{matrix} s_h & 0 & t_x \\ 0 & s_w & t_y \\ \end{matrix} \right]$
• 与STN的区别：

(Ⅲ)Cross-Attention Interaction Learning

• 通过全局与局部特征的交互来提高联合学习soft与hard attention的效果：

  • 利用Hard attention产生的区域将全局与局部特征对应
    $\mathbf{X}_L^ {l,k} = \mathbf{X}_L^{l,k}+\mathbf{X}_G ^{(l,k)}$

• 反向传播过程中，全局分支的参数通过全局与局部损失联合进行优化
  $\Delta\mathbf{W}_G^{(l)} = \frac{\partial\mathcal{L}_G}{\partial\mathbf{X}_G^{(l)}}\frac{\partial\mathbf{X}_G^{(l)}}{\partial\mathbf{W}_G^{(l)}} + \sum_{k=1}^T\frac{\partial\mathcal{L}_L}{\partial\widetilde\mathbf{X}_G^{(l,k)}}\frac{\partial\widetilde\mathbf{X}_G^{(l,k)}}{\partial\mathbf{W}_G^{(l)}}$

3.2. Person Re-ID by HA-CNN

• 将行人图片通过HACNN得到1024维的特征表示，并计算$l_2$距离进行排序

4. Experiments

Datasets and Evaluation Protocol

• CUHK03、Market-1501、DukeMTMC
• CMC与mAP

Implementation Details

• Tensorflow
• Inception units:$d_1=128, d_2=256,d_3=384$
• $T=4$
• Adam、lr:5x10e-4、$\beta_1=0.9, \beta_2=0.999$
• batch size:32、epoch:150、momentum：0.9
• no augmengtation method

4.1. Comparisons to State-of-the-Art Methods

Evaluation on Market-1501

Evaluation on DukeMTMC-ReID

Evaluation on CUHK03

4.2. Further Analysis and Discussions

Effect of Different Types of Attention

• 评估不同的attention component
  • 每个component都对性能有提升
  • SSA与SCA结合有互补作用
  • hard与soft attention结合进一步提升了性能

Effect of Cross-Attention Interaction Learning

CAIL对性能提升显著

Effect of Joint Local and Global Features

• 全局特征与局部特征具有互补性

Visualisation of Harmonious Attention

• 不同层次的HA与SA的可视化

Model Complexity

5. Conclusion

• 提出了轻量级网络HACNN，在三个基准数据上取得了SOTA方法
• 相比其他工作，本文通过结合soft、hard attention提出了Harmounious Attention Module，能更好解决不对准问题以及提高attention方法的互补性
• 提出了CAIL来进一步优化模型的学习

思考

• 本文工作充分利用了现有的attention方法，并没有借助ImageNet预训练模型，取得了SOTA性能，是否今后的工作也可以进一步尝试在re-id数据集上更有针对性的搭建模型呢
• hard attention得到的区域包含很多噪声，有没有更好的方法更精准的定位呢？