导读
行人属性识别(Pedestrian Attributes Recognition，PAR)，从预定义的属性列表中预测一组属性来描述该行人的特征。下面是文中的一张图，比如，蓝色框中识别出来这个人的属性有：短发、戴眼镜、学士服、黑裤子、黑鞋、蓝色自行车、男性等。
本文为此细分任务提出了一个可靠的baseline。
简介
文章针对目前常用的行人数据集PETA和RAP中存在的问题进行了纠正。因为数据集中存在不少相同的行人，训练集中和测试集中包含了同一人的图像且图像间的差异很小。这这会让一些方法准确率被高估。并且文章在修正后的数据集上做了一个baseline。可以明确发现当训练集和测试集没有人员重复时，模型的准确率会显著下降。
方法
行人属性识别可以主要看成两类任务。
multi-task learning：多任务学习指的是将每一类属性识别作为一个任务，前面共享神经网络参数，最后N个全连接层并列，各负责一个属性任务的分类。
multi-label learning：多标签学习是将所有分类作为一个任务处理，用一个全连接层对属性分类，只是预测的不是单一类别，而是类别列表。
本文的baseline是将此问题看成了多任务学习。训练的详细参数如下：
- 骨干网络：ResNet50
- 输入图像大小：256 * 192，使用随机水平镜像
- SGD，momentum=0.9，weight decay = 5e-4
- 初始学习率 0.01
- batchsize = 64
- plateau学习率衰减策略，衰减比例0.1
- 训练30个epoch
实验对比
修正后的数据集对比
SOTA对比