行人属性“Actions and Attributes from Wholes and Parts”

使用部件进行行为和属性分类，首先使用深度版poselet部件检测器，检测人体part。在行为和属性识别任务重，训练了包含part的全局cnn，提升性能。作者通过实验研究了加入part进行属性预测是否确实有必要。

论文提出方法的结构如下图所示，计算行人整体及各部件的cnn特征用于分类：

通过实验发现，加入part会带来性能提升，但随着网络加深，性能提升不大。

相关工作
低层特征：DPMs用于目标检测和属性分类。poselet用于部件检测，行为和属性分类。
cnn特征：R-CNN检测器。
混合特征：HOG-poselet激活
part检测器：Zhang R-CNN鸟类部件检测

深度part检测器
1. 流程：多尺度的fcn，第一步将图像高斯金字塔与5层的CNN卷积获得特征，第二步将特征金字塔与pat模型卷积得到part金字塔得分。，part检测和得分计算整个框架如下图所示：

系统可以认为是fcn模型，可以进行端到端的训练
2. part模型：part模型应具有的特点，类似姿态或视角强激活，涵盖所有样本，分辨性强。
人体分为三个部分：头，躯干，腿。每部分有一些关键点，如K_H = {Eyes, Nose, Shoulders}, K_T = {Shoulders, Hips}， K_L = {Hips, Knees, Ankles}。对每个部分，使用归一化的关键点分布进行聚类，聚类的示意如下图所示：

3. 学习part模型
对每个part，每个part模型定义为权值向量，与特征金字塔卷积。使用线性SVM训练part模型，得到模型权值$w_{t,j}\in R^{8\times 8\times 256}$。图3为part检测的一些结果。
4. part映射到实例
对图像I中的候选框，对每个part，选择最高得分的part？？这一段看不懂。。

part分类
行为识别，跑，阅读等，属性识别（性别，戴帽子等），下午显示了测试时的流程，part激活映射到到实例，前向传播实例的box和对应的part到cnn，输出fc7层特征，串联特征并使用线性svm进行分类。流程如下图所示：

实验结果
行为识别的结果

Berkeley行人属性数据集