Introduction
當前的part-based reid方法分為如下三類：
① 采用人體部件位置的先驗知識或者姿態估計來定位部件區域（如把圖片按若干個水平區域划分）；
② 通過部件定位方法來識別部件；
③ 采用注意力機制來關注部件區域。
作者提出了一個全局、局部不同粒度特征聯合學習策略，即 Multiple Granularity Network（MGN），如下圖：
Multiple Granularity Network
IDE baseline 提取出的行人特征映射圖如下所示，可以發現即使沒有采用注意力機制，深度神經網絡依然能夠提取出行人肢體的語義信息。
（1）網絡結構：
三個網絡分支的細節為：
① 上層分支為全局特征提取。先采用步長為2的下采樣，緊接着全局最大池化得到特征映射，再進行1*1卷積、batch正則化、ReLU激活，把2048維的特征
下降到256維的
；
② 中間分支和下層分支不采用下采樣，區別在於中間分支將特征map划分為2塊，下層分支將特征map划分為3塊，分別對全局和局部進行池化。
③ 在測試階段，所有的256維度的特征向量進行concat，得到最終的特征向量進行度量。
（2）損失函數：
① softmax損失：
其中
對應的是第 k 類的權重，對於三層的局部特征和全局特征均計算softmax損失。
② 三元組損失：
對於三層的全局特征計算三元組損失。
Experiment
