論文地址：https://arxiv.org/abs/1812.11369
主要貢獻：
1). 提出了部件對齊池化（PAP: Part Aligned Pooling），對跨數據集實驗有很重要的影響；提升模型直接跨庫測試的性能；
2). 提出了部件分割約束（PS Constraint）加強對齊和模型的泛化性能（generalization）。
摘要
單域（single-domain）的行人重識別（ReID）近來已經取得了巨大的進展，但是在跨域（cross domain，或者遷移 transfer）問題上卻存在很大的困難，主要體現在（1）直接把訓好的模型到目標域（target domain）測試，性能有巨大的下降；（2）利用無id標註的目標域圖片進行領域適應（domain adaptation）具有其挑戰性。這篇文章中，我們發現部件對齊在跨域重識別中起着重要的作用。通過強化模型的對齊，我們一方面提高模型的泛化性能（generalization），提升模型直接跨庫測試的性能；另一方面，我們的部件對齊模型可以很自然地利用目標域無標籤數據，實現領域自適應（adaptation），使得模型可以適配目標域。我們 在Market1501，CUHK03，DukeMTMC-reID，MSMT17四個目前最大的行人重識別數據庫之間進行大量的跨域實驗，證明了我們方法的有效性，並且取得了state of the art的結果。同時，出於完整性，我們還實驗證明了和現有跨域方法的互補性。
1. Introduction
本文首先在姿態估計的幫助下改進了先前最先進的部件模型PCB 。 PCB將功能圖均勻分區爲P水平條紋，以便彙集局部特徵，如圖1a所示。但又一定的缺陷，有的部分並沒有完全匹配，本文的對齊操作是從關鍵點分隔區域彙集部分特徵，，如圖中b所示，圖中的關鍵點是基於COCO數據集訓練的姿勢評估模型獲得的。這種對齊策略顯著增加了跨域準確性。
本文對特徵圖分割增加限制，提高分割時ReID特徵定位的準確性。具體來說，我們將分割模塊連接到ReID特徵圖，使用由COCO 數據訓練的模型預測的僞分割標籤對其進行訓練。 簡單的結構顯着的改善了模型。
本文將無標籤的目標域圖片作爲訓練樣本來訓練部件分割約束模型，讓模型更具泛化能力，使得模型對於沒有身份標籤的圖片也具有很好的識別效果。
2. Related Work
3. Method