Paper：https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1810.12193.pdf
Code：https://github.com/Klitter/Pyramidal_Person_ReID（侵刪）
摘要：論文指出基於特徵圖水平切塊（part-based）的行人重識別很大程度上依賴於目標檢測算法的優劣。差的目標檢測算法由於無法精確的框出行人，導致在進行局部特徵相似度計算和分類時不準確。 論文提出特徵圖金字塔由粗到細的整合全局和局部特徵，並逐漸集成二者之間的線索，從而緩解了精確Box和不對齊的情況。論文同時指出，多任務訓練可以提升模型的泛化能力，但是在具體的訓練過程中，損失函數的訓練目標往往不一致。在行人重識別中，經常使用交叉熵損失和困難三元組損失同時優化模型參數，根據先驗知識理解，交叉熵損失函數通過優化模型參數，尋找優異的高維分類平面；triplet loss適合在自由的歐式空間里約束。而且對於這兩個損失函數，在訓練剛開始的時候，主要依靠交叉熵損失，等到後期難以識別的樣本出現，現在三元組損失才真正發揮作用。如果簡單地對兩個損失函數賦予固定的權重，就不合適了，因此論文提出動態權重損失函數。
知識點解析：
1）：coarse-to-fine的金字塔模型：特徵金字塔--第一層：（1、2、3、4、5、6）；第二層：（1、2、3、4、5）和（2、3、4、5、6）；第三層：（1、2、3、4）、（2、3、4、5）和（3、4、5、6）；第四層：（1、2、3）、（2、3、4）、（3、4、5）和（4、5、6）；第五層：（1、2）、（2、3）、（3、4）、（4、5）和（5、6）；第六層：（1）、（2）、（3）、（4）、（5）和（6）。得到各個層次的feature map後，將其（注意是所有的部件特徵）分別輸入後續的 Basic Operations，這一步具體操作如上所示，對fenature map分別做GAP和GMP兩種全局池化，將池化後特徵相加（channel不變）並接上conv+bn+relu降維得到最後的feature，這個feature一分爲二，其中一路直接接上FC全連接層+softmax進行ID loss以提高該feature的辨識性，另一路和其他的部件特徵結果相連(concat)進行Triplet Loss。
2）：Multi Loss Dynamic Training：
在模型參數優化過程中，真正困難樣本逐漸出現，此時困難三元組損失應該獲得更大的權重，因此論文提出動態損失函數，在訓練階段使用不同的損失函數。在每一個epoch中，根據公式計算決定採樣的方式。採樣方式：a）：隨機採樣，但是此時三元組可能由於無法找到三元組使得損失函數不起作用；b）：K*P採樣：每次選K個身份，每個身份選P個圖像，但是此時由於ID較少，交叉熵損失作用不大。論文沒有進行詳細的論證，效果也需要考究。