[[418101]]

Transformer是一種自注意力模型架構(gòu)，2017年之后在NLP領(lǐng)域取得了很大的成功。2020年，谷歌提出pure transformer結(jié)構(gòu)ViT，在ImageNet分類任務(wù)上取得了和CNN可比的性能。之后大量ViT衍生的Pure Transformer架構(gòu)（下文中簡稱為Transformer架構(gòu)/模型）在ImageNet上都取得了成功。此外，在檢測、跟蹤、分割等下游視覺任務(wù)上，pure transformer的架構(gòu)也不斷取得和CNN可比的性能，但是在更加細粒度的圖像檢索任務(wù)上目前還沒有將成功的工作。

• TransReID論文地址：https://arxiv.org/pdf/2102.04378
• TransReID代碼：https://github.com/heshuting555/TransReID

在這篇論文中，阿里達摩院的研究團隊首次成功將pure transformer架構(gòu)應(yīng)用于目標重識別（ReID）任務(wù)，提出了TransReID框架，在6個數(shù)據(jù)集上都取得了超過SOTA CNN方法的性能。

研究背景

縱觀整個CNN-based ReID方法的發(fā)展，我們發(fā)現(xiàn)很多工作都關(guān)注兩個重要的點：

1）挖掘圖片中的全局性信息。CNN網(wǎng)絡(luò)由于卷積核堆疊的原因，所以感受野存在一個高斯核的衰減。例如圖1所示，標準CNN的模型通常會關(guān)注于圖片中某一兩個比較有判別性的局部區(qū)域，而會忽視一些全局信息。為了解決這個問題，大量方法通過引入注意力機制來擴大模型的有效感受野，從而得到更好的全局性。但是注意力機制僅僅只是緩解了CNN的這個問題，并不能徹底解決有效感受野高斯衰減的問題。但是Transformer中的自注意力模塊會使得每一個patch都和圖片中的patch都計算一個attention score，所以相比CNN模型在挖掘全局信息上有天然的優(yōu)勢，并且multi-head也可以挖掘多個判別性區(qū)域。可以看到，圖1中Transformer-based的方法能夠挖掘多個具有判別性的局部區(qū)域。

2) 學習細節(jié)信息豐富的細粒度特征。CNN網(wǎng)絡(luò)里面存在下采樣操作來獲得平移不變性和擴大感受野，但是同時也降低特征圖的分辨率，這會丟失圖像的一些細節(jié)信息。如圖2中的這對負樣本對（CNN識別錯誤，Transformer識別正確），兩張圖片的外觀特征是非常相似的，但是從書包的細節(jié)可以看出，左邊書包側(cè)面有一個杯子，而右邊書包側(cè)面則沒有杯子，因此可以判斷是兩個ID。但是因此CNN的下采樣操作，在網(wǎng)絡(luò)最后輸出的特征圖上已經(jīng)看不清杯子這個細節(jié)了。但是Transformer沒有下采樣操作，因此特征圖能夠比較好地保留細節(jié)信息，從而識別目標。

綜上所述，Transformer結(jié)構(gòu)是非常適合ReID任務(wù)的，但是僅僅用Transformer替換掉CNN backbone并沒有充分利用Transformer的特性。本文提出了首個pure transformer的ReID框架TransReID，包含JPM和SIE兩個新的模塊。之前的ReID工作顯示將圖片進行切塊得到若干個part，然后對每個part提取local特征能夠提升性能。我們借鑒了這個設(shè)計，將Transformer中的patch embedding分成若干個group，但是這個操作沒有充分利用Transformer的全局依賴性。因此我們設(shè)計了Jigsaw Patch Module (JPM)，將patch embedding隨機打亂之后再切分group。Transformer非常擅長encode不同模態(tài)的信息，而之前的ReID工作顯示相機和姿態(tài)信息是有利于ID的識別的，因此我們設(shè)計了Side Information Module (SIE) 來利用這些有益的信息。

TransReID

1、Transformer-based strong baseline

我們首先參考CNN的baseline BoT 設(shè)計Transformer-based strong baseline。如圖圖3所示，我們參考ViT將圖片分成N個patch，并引入一個額外的cls token共N+1個embedding。經(jīng)過Transformer layers之后，我們將cls token作為圖像的全局特征，之后經(jīng)過一個BNNeck結(jié)構(gòu)計算triplet loss和分類ID loss。

由于ImageNet預訓練的ViT是使用224*224的圖像分辨率，而ReID通常使用的分辨率不會是224*224，這造成了position embedding的維度不一樣。因此，我們將position embedding按照空間位置進行插值來加載預訓練的position embedding參數(shù)。

此外，還有一個漲點的tricks是對圖像進行patch分塊的時候可以讓相鄰的patch之間有一定的overlap。當然這個操作會使得patch數(shù)目增加從而使得模型訓練的資源消耗增加，但是性能也會有比較穩(wěn)定提升。

2、Jigsaw Patch Module

ReID任務(wù)經(jīng)常會遇到遮擋、不對齊這些問題，一般我們會采用細粒度的局部特征來處理這些問題，水平切塊就是非常常用的一種局部特征方法。JPM模塊借鑒水平切塊思想，將最后一層的patch embedding分成k個group (k=4)，然后對于每個group進行transformer encode得到N個cls token，每個cls token就相當于PCB中的striped feature，計算一個loss。但是這么做有一個缺點：每個group只包含了圖片中一個局部區(qū)域的信息，而transformer的特性是能夠挖掘全局關(guān)聯(lián)性。為了擴大每個group的「視野」，我們將所有的patch embedding按照一定規(guī)則進行打亂，然后再進行分組。這樣每個group就可能包含來自圖片不同區(qū)域的patch，近似等效于每個group都有比較全局的「視野」。此外，打亂操作也可以看做是給網(wǎng)絡(luò)增加了一些擾動，使得網(wǎng)絡(luò)能夠?qū)W習到更加魯棒的特征。

具體打亂操作分為兩步：（1）將最后一層輸出的patch embedding去除0號位置的cls token可以得到N個patch embedding，之后將它們進行循環(huán)平移m步；（2）第二步參照shuffle的group shuffle操作將N個patch的順序打亂得到新順序的N各patch embedding，之后將它們按照新順序分為k個group，每個group都學習一個cls token，最終concat所有cls token作為最終的feature。

3、Side Information Embeddings

ReID任務(wù)中相機、視角的差異會給圖像帶來一些外觀上的差異，所以不少工作關(guān)注怎么抑制這些bias。對于CNN框架，通常需要專門設(shè)計結(jié)構(gòu)來處理這個問題，例如設(shè)計loss、對數(shù)據(jù)進行先驗處理、改變模型結(jié)構(gòu)等等。這些設(shè)計通常比較定制化且比較復雜，推廣性并不強。而transformer則比較擅長融合不同模態(tài)的信息，因此我們提出了SIE模塊來利用相機ID、視角等輔助信息。

與可學習的position embedding類似，我們使用了可學習的embedding來編碼相機ID和方向ID這些Side information，這個模塊成為Side Information Embedding (SIE)。假設(shè)總共有Nc個相機ID和Nv個方向ID，某張圖片的相機ID和方向ID分別是r和q，則他們最終的SIE編碼為：

最終，backbone的輸入為patch embeding、position embedding和SIE \mathcal{S}_{(C,V)}的加權(quán)之和。圖4展示了TransReID的完整框架，在ViT的基礎(chǔ)上增加了JPM和SIE模塊。

實驗結(jié)果

1、不同Backbone的對比

Table 2給出了不同Backbone的準確度和推理時間的對比，我們將ResNet50作為baseline，同時我們給出了ViT和DeiT的結(jié)果。可以看到，DeiT-S/16在速度上與ResNet50是接近的，在準確度上同樣也有可比的性能。當我們使用更深的DeiT-B/16和DeiT-V/16時，同樣和ResNest50取得了相似的速度和準確度。當我們在pre-patch環(huán)節(jié)縮小conv的stride時，patch的數(shù)目增加，速度下降，但是準確度也會收獲穩(wěn)定的提升。

2、Ablation Study

詳細的消融實驗可以看論文，這里只給出大模塊的消融實驗，我們以ViT-B/16作為baseline。從Table 5中的結(jié)果可以看出，JPM模塊和SIE模塊都是能穩(wěn)定帶來提升的，TransReID將這兩個模塊一起用還能進一步提升結(jié)果。

3、和SOTA對比

Table 6給出了和SOTA方法對比的結(jié)果。可以看到，和CNN的方法相比，TransReID在六個ReID數(shù)據(jù)集上取得了更好的準確度，這顯示了pure transformer架構(gòu)在圖像檢索任務(wù)上同樣適用。

一個有意思的地方是，在ImageNet上取得更好分數(shù)的DeiT在下游的ReID任務(wù)上并沒有超過ViT。這是因為ViT使用了更大的ImageNet22K做預訓練，更大的預訓練數(shù)據(jù)使得ViT有更好的遷移性。

4、一些可視化

下圖給出了CNN和TransReID的注意力可視化結(jié)果，可以看出TransReID可以比CNN挖掘到更多判別性區(qū)域，同時有更好的全局性特征。

本文的論文作者包括兩位：

1.何淑婷，浙江大學博士生，阿里巴巴達摩院研究實習生，研究方向為目標重識別，多目標跟蹤等。曾在國內(nèi)外十幾項競賽中取得前三的名次，其中包括六項冠軍。

2.羅浩，2020年博士畢業(yè)于浙江大學，畢業(yè)后加入阿里巴巴達摩院，從事ReID方向的研究與技術(shù)落地工作。累計發(fā)表論文20余篇，Google scholar引用累計1000+次，代表作BagTricks Baseline開源代碼Star超過1.6K。曾經(jīng)獲得CVPR2021 AICITY Challenge、ECCV2020 VisDA Challenge, IJCAI2020 iQIYI iCartoonFace Challenge等國際比賽冠軍。博士期間創(chuàng)立浙大AI學生協(xié)會、在B站等平臺免費開放《深度學習和目標重識別》課程。