来源： 阿里巴巴和浙大
时间： arXiv:2102.04378v1
这篇文章在ViT的基础上提出了一种仅利用Transformer结构实现的ReID方法，并获得了较好的实验性能。
这篇文章的创新点包括三部分：
- 在ViT的基础上，结合BagofTricks提出了baseline方法ViT-BoT
- 在baseline上引入了Side Information Embedding(SIE)，即相机的编号和图像的视角信息
- 在baseline上引入了Jigsaw Patches Module (JPM)， 即类似于PCB中的stripe划分方式融合全局与局部信息。
ViT-BoT
VitBoT的结果如图2所示，
首先， 将目标区域划分成相同大小的不同patches， 这些patches可以重叠也可以不重叠，图中表示不重叠的情况。假设步长为S，每个patch的边长为P，那么patch的个数可以计算为
然后，每个patch都进行了特征的编码，除此之外还配备了一个可学习的embedding，成为class token，即途中的0索引对应的embedding，这个embedding用于编码patch的整体特征，最后一层transformer 层对于每个patch以及class token都输出了对应的特征向量，分别表示每个patch的局部可鉴别特征全局特征，这些特征可以通过组合用于ReID,也可单独利用全局信息进行ReID
另外，transformer中对于每个query都进行了位置编码，因此此处对于每个patch的编码特征以及class token的embedding都提供了位置编码，整个模型使用ImageNet上训练的ViT参数进行初始化，而位置编码由于位置和尺度不同无法直接赋值，这时通过二次线性插值计算获得初始值。
最后，计算训练损失，损失只在全局特征上计算（为什么没有在patch上也进行计算呢？），采用的结构使用了BNNeck结构，即将分类损失和度量损失进行了剥离，之前我们介绍过。度量损失计算如下：
正负样本以及anchor分别以下标
TransReID
TransReID结构如图3所示，相对于ViT-BoT主要两点不同，第一个是embedding层引入了SIE即边缘信息，第二个是局部分支的处理。
SIE
主要目的是缓解跨摄像机、跨视角等条件下的表观偏置，一般的基于CNN的方法通过设计专门的损失函数或者设计特殊的网络结构融合side information，比如相机id和视角信息等。
本文的方法直接对相机编码和视角进行了编码，然后与表观编码和位置编码进行融合。具体而言，相机id编码表示为, 视角编码表示为
, 如果相机id和视角信息同时存在，则编码为
, 而非
，作者分析认为是避免了
的相互抵消，但我觉得其原因在于联合分布优于边缘分布。对于相机id的编码对整张图像相同，而对于视角的编码则对一个目标的所有patch相同。
注意：这里是和位置编码一样的直接学习的参数，他和位置编码不同点在于
对同一图像中同一目标的不同patch是相同的，而位置编码这是不同图像中相同位置的patch是相同的。
JPM
文章中将最后一层transformer分成并行的两个transformer，一个和原来的一样用于提供全局特征。另一个则用于提供局部特征。
问题的关键是如何构建局部特征，最直接的想法是将patches分成个group，然后学习
个局部特征。如果按顺序划分的话，由于patch本身就是按距离有序的，因此会导致信息局限在有限连续区域内。所以本文对patch进行了随机的划分成不重叠的
组。
文章中说了很多，什么shift operation， shuffle operation。本质就是随机分组。
分组之后，每组的特征再加上token class的特征放入到transformer中输出一个token class 的特征表示该组提供的局部特征，所有的组共享一个transformer，每组使用的损失函数和全局的损失函数相同。
注意 这里在获得局部特征时，不是讲每一组特征cat在一起，然后输入query数为k+1的transformer中，而是每一组单独输入query 数为的的transformer中。这样的话，其position embedding可以与整个Trans'R'eID对应起来。
实验
-
数据集
dataset
注意不是所有的数据集同时训练，而是每个数据集进行独立的训练与测试。
执行细节
- 行人的尺寸： 256x128， 车辆尺寸：256x256
- 数据增强：随机水平翻转、随机裁剪和随机擦除，padding with 10 pixels这个不是很懂
- batch构造，每个id抽4张，batchsize=64
- 优化器 SGD， 学习率从0.01采用cosine 衰减，就是将整个epoch周期作为cosine函数的
- k=4, 还设置了shift operation的shift步数m，但不知道有什么意义，实验也没有分析
- 硬件：1张V100， FP16 精度
-
ViT-BoT
ViT-BoT baseline
表2中主要对比了使用不同backbone下的BoT下reid性能， 发现本文的ViT-BoT相对于ResNet系列性能提升明显，和ResNeSt系列差不多，但是训练时间相对于同等性能的ResNeSt要小一些。
这部分有些不清楚的地方在于不同backbone下BoT的策略和ViT-BoT是否相同？ -
SIE
Table 3. SIE 分析
MSMT17仅提供了Cam ID信息， 而VeRi-776同时提供了Cam ID和View信息。可以发现：
- 使用SIE信息肯定能带来性能提升
- 两种SI融合会互相促进，文章还对比了采用S(C)+S(V)的方式，mAP为78.3， 可以发现相对于什么都不用是由提升的，但是相对于任何单独一个性能是下降的。
图4给出的是使用SIE前后对于相机id，视角产生的特征偏置的弥合作用。
a，b两个图表示的不使用SIE时，在相机ID和视角两个方面同类和不同类中样本相似度的分布，我们希望的是样本特征能够与是否同类无关，也就是说希望绿色和粉色的两个分布重合，但可以发现不用SIE时两个分布差别较明显。
c，d分别表示使用SIE之后的分布差异，可以发现两个分布有靠拢的趋势，但其实差别还是挺大的。
图5给出的是超参数
-
JPM
Table 4
解释：
- groups表示k的大小
- w/o shuffle 表示不使用shuffle， 那么问题来了，是否使用了shift呢？？
- w/o local 表示训练和JPM一样配置，只是测试的时候仅使用了全局特征。那么又有一个问题，使用local特征，由于存在shuffle，那相同的数据多次测试的性能会一样吗？？
- 还有一个问题如果group的过程中存在overlapping会怎么样呢？
-
TransReID
TransReID
没啥要说的，两个模块是能够相互促进的。
-
SOTA
SOTA
撇开算法配置是否相同，单独论整个系统而言，本文提出的TransReID确实在性能上相较于一些SOTA方法有较大的提升。
结论
提出了一种纯依赖transformer的ReID方法，包括SIE和JPM两个模块。其实个人觉得JPM这块还有挺大的值得讨论的空间。
