論文查看
作者是中科院的Dangwei Li等。這篇工作是multi-class person identification tasks，主要創新有三點：（1）用空洞卷積（dilated conv）進行多尺度特征提取，減少傳統CNN提取特征的信息損失；（2）利用Spatial Transformer Networks (STN，其中作者設置了三個參數限制) 提取可變的body-part，相比較于rigid divid, 能減少背景的影響； （3）將full body特征和parts特征融合，在identification classification 指導下，學習網絡參數。

Yu, Fisher, and Vladlen Koltun. “Multi-scale context aggregation by dilated convolutions.” arXiv preprint arXiv:1511.07122 (2015).

Part 4 Experiments

4.1 Datasets and protocols

本節分成Datasets和protocols兩部分。
Datasets: 第一段先整體介紹下哪些數據集上進行實驗，其他段再分數據集單獨介紹。
Protocols:介紹哪個數據集上進行哪些評估。

4.2 Implementation Details

分為Model , optimization 和 Data preprocessing 三部分
Model: 指出除了總的網絡外，為了單獨分析full body and body parts，抽出了兩個sub models.
Optimization: 在caffe上實現，BP計算梯度，學習率等。
Data preprocessing :160x60, 1.0/256, image horizontally reflect

4.3 Comparison with state-of-the-art methods

分數據集進行比較，每個數據集一個單獨的部分。

• For the CUHK03 dataset, we compare our method with many existing
  approaches, including XX, XX…..
• Compared with XXXX, such as XXX, the proposed XXXX improves the Rank-1 identification rate by 11.66% and 13.29% on the labeled and detected datasets respectively.
• Compared with XXXXX, our XXXX improves the Rank-1 identification rate by 2.93% and mAP by 4.22%.

4.4 Effectiveness of MSCAN(多尺度網絡)

To determine the effectiveness of …., we explore four variants of … to learn IDE feature based on the whole body image.
選擇一個數據集Market1501進行評估，分別設定dilated ratio 為1,2,3,4，指出3是個合適的選擇（4的時候比3進展了一點點）

4.5 Effectiveness of Latent part location

（1）Learned parts vs. rigid parts：選擇Market1501比較學習到部分和硬性指定的部分對結果的影響。
（2）可視化的方式展示學習到的部分和硬性分割的部分區別：學習到的部分由較大的重疊，同時包含較少的背景
（3）Effectiveness of location loss 評估約束的作用。
在基于部分的網絡上評估約束（Market1501）

4.6 Cross-dataset Evaluation

在其他數據集上的模型遷移到VIPeR，分別驗證了直接遷移和微調后的性能。

————————————————————————————————
關于dilated conv， 摘自知乎：

作者：譚旭
鏈接：https://www.zhihu.com/question/54149221/answer/192025860
來源：知乎
著作權歸作者所有。

總結

以上是生活随笔為你收集整理的CVPR2017: Learning Deep Context-aware Features over Body and Latent Parts for的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。