1. 數據集

Dataset	Pedestrians	Attribute	Source
PETA Dataset	19000	61 binary and 4 multi-class attributes	outdoor & indoor
RAP Dataset	41585	69 binary and 3 multi-class attributes	indoor
RAP 2.0 Dataset	84928	69 binary and 3 multi-class attributes	indoor
PA-100K Dataset	10w	26 binary attributes	outdoor
WIDER Attribute Dataset	13789	14 binary attributes	WIDER images
Market-1501_Attribute	32668	26 binary and 1 multi-class attributes	outdoor
DukeMTMC-Attribute	34183	23 binary attributes	outdoor
Parse27k Dataset	27000	8 binary and 2 multi-class orientation attributes	outdoor
APiS	3661	11 binary and 2 multi-class attributes	KITTI , CBCL Street Scenes,INRIA and SVS
Database of Human Attributes	9344	27 binary attributes	image site Flickr
CRP Dataset	27454	1 binary attributes and 13 multi-class attributes	outdoor
Clothing Attributes Dataset	1856	23 binary attributes and 3 multi-class attributes	Sartorialist and Flickr
Berkeley-Attributes of People dataset	8035	9 binary attributes	H3D dataset PASCAL VOC 2010

備注: 加粗的數據集是已經獲取到的,RAP和RAP2.0數據集需要聯系作者,之后會拿到.

2. 實現方法總結及已有資源

title
Github資源(圖中橙色框標注):

D baseline model ( pytorch implementation ) for person attribute recognition task, training and testing on Market1501-attribute and DukeMTMC-reID-attribute dataset. <一個案例,模型未知>

DeepMAR from "Multi-attribute learning for pedestrian attribute recognition"

Multi-attribute Learning for Pedestrian Attribute Recognition in Surveillance Scenarios, Dangwei Li and Xiaotang Chen and Kaiqi Huang, ACPR 2015

Multi-label Image Recognition by Recurrently Discovering Attentional Regions (Pytorch implementation):<注意力>

A Richly Annotated Pedestrian Dataset for Person Retrieval in Real Surveg 2019: <提出了RAP數據集>

PANDA (CVOR-2014): <局部>

HydraPlus-Net (ICCV-2017):<注意力>

WPAL-network (BMVC-2014)<改進損失函數>

Deep Imbalanced Attribute Classification using Visual Attention (ECCV-2018):<注意力>

3.詳細介紹

3.1 基於全局特征的屬性檢測方法

3.1.1 FT-CNN(Re-id Using CNN Features Learned from Combination of Attributes（ICPR2016）)

title
在Alexnet的4096維特征上，用多個全連接分類器表征各個特征。很明顯慘不忍睹。
title

3.2 基於局部特征的行人屬性檢測方法

3.2.1 Poselets (ICCV-2011)

title

3.2.2 PANDA(CVPR-2014)

title
其中關鍵poselet采用3.2.1《Describing people: A poselet-based
approach to attribute classification》中的划分方法。通過融合局部特征和整體特征，提高了准確率。
title

3.2.3 MLCNN (ICB-2015)

title
采用網格划分，部分融合

3.2.4 ARAP (BMVC2016)

title
自適應檢測關鍵點和對應Bbox,然后進行屬性檢測。端到端。

3.2.5 PGDM (ICME-2018)

title

3.2.6 LGNet (BMVC-2018)

title

3.2.7 總結

算法結合了全局和細粒度部件的特征，其中身體部位的定位是通過分割算法得到，如：part detection, pose estimation, poselets or proposal generation algorithm.
算法整體准確率和部件分割的算法有很大關系。

3.3 基於注意力機制的屬性檢測方法

3.3.1 HydraPlus-Net (ICCV-2017)

SenseTime的論文，將多層注意力機制圖多向映射到不同的特征層。。HP-net包含兩部分，M-Net和AF-Net。

Main Net（M-Net）：
單純的CNN結構，論文的實現是基於inception_v2，包含三個inception block，還包含幾個低層卷積層;
Attentive Feature Net（AF-Net）：三個分支，每個分支有三個inception_v2 block和一個MDA

AF-Net包含三個子網絡分支，並使用MDA模塊增強，即F(αi)F(αi)，其中αiαi是由inception塊輸出特征生成的注意力圖，圖中使用黑實線標記。隨后應用到kth塊的輸出，圖中用虛紅線標示。每個MDA模塊，有一條注意力生成鏈接，三條注意力特征構造鏈接。不同的MDA模塊，注意力圖由不同的inception模塊生成，之后乘到不同層的特征圖，生成不同層在注意特征。 MDA模塊的一個示例如下圖所示：

以下是可視化特征：