1. 摘要
使用part-feature 能夠起到更好的效果，不過這個需要我們很好地定位part的位置。
本文中作者集中考慮part內部的一致性，提出了 part-based convolutional baseline(PCB)結構以及refined part pooling (RPP)的方法。
刷新了數據集market－１５０１，DukeMTMC和CUMK03 的state-of-the-art
2. 介紹
作者此篇文章不需要額外的操作，比如一些姿態估計等，直接關注part內的一致性對輸入圖像進行分part。
PCB結構利用卷積描述子而非全連接描述子（及去掉FC層），對每一個part進行全連接，后接一個softmax分類器。
RPP重新定位part的邊緣，利用part內部一致性，調整邊緣使得更好地part，使用soft 分割的方法。
論文的貢獻主要集中在：
（1）提出PCB的框架
（2）提出RPP的分塊方法
3. 方法
PCB pipline
PCB 的訓練階段，每個part接一個全連接層，后加一個softmax分類。而在測試階段，先是cancatenate 各個列向量，
而后進行分類。
RPP
考慮part內部一致性，使用余弦距離來度量一致性。在訓練時，使用先訓練PCB,期望能得到一致分割，而后誘發RPP的訓練
4. 實驗
實驗使用三個常用的Reid數據集：market-1501、DukeMTMC-Reid、CUHK03
part塊數p與誘發訓練同attention機制的比較的實驗。p=6時最佳，誘發訓練能夠取得更好的效果。
5. 結論
作者使用了PCB的baseline+RPP的分割方法，用卷積描述子代替全連接描述子取得了很好的實驗效果。
6. 評價
模型簡單，方法想法也比較簡明，性能爆炸。這是一個非常好的baseline，另外作者提供了一種新的part分割方法。
7.參考
Beyond Part Models: Person Retrieval with Refined Part Pooling