論文：基於注意力和姿勢特徵的雙流網絡行人重識別
1 摘要
由於姿態、模糊、遮擋等問題的存在，行人的重新識別(re-ID，Re-ID)目前仍是一項具有挑戰性的任務。本文結合了姿態估計和注意力機制的優點，利用雙流網絡將注意力和姿態相結合。提出的方法主要包含兩部分：
融合多層特徵和注意力的空間特徵：從多個語義層次提取特徵具有更好的魯棒性，因此，本文融合了中層和高層特徵（GoogleNet）。然後通過自我注意力（self-attention）將全局信息關聯起來。融合了中高層特徵，語義信息更加豐富，使得注意力機制能夠更好的聚焦於圖片的重要區域。
聚合注意力流和姿態估計流特徵：因爲注意力機制可以自動的關注顯著性的重要區域，導致過於關注身體的突出部位，忽略身體的邊緣信息，因此，通過姿態進行引導，使注意力能夠更好的關注身體的各個部位。
rank1 = 93.3%(Market1501) 85.5%(DukeMTMC-reID)
2 理論研究
2.1 主網絡框架
2.2 特徵融合
融合多層特徵和注意力的空間特徵
目的：提取局部顯著性特徵，以便於獲得更豐富的特徵表示。
操作：經過實驗得出，融合inception-3b,4d,4e效果最好
2.2 self-attention
得到了特徵，下一步就是進行注意力操作，self-attention的框架如圖所示：
程序鏈接: https://blog.csdn.net/qq_37405118/article/details/106947689.
講解鏈接: https://zhuanlan.zhihu.com/p/55741364.
2.3 pose estimattion
2.4 Bilinear Pooling
3 Loss
