Introduction
（1）Motivation：
當前的reid存在語義不對齊的問題，如下圖：
圖（a）顯示了不同圖片的相同位置對應了行人的不同身體部位；圖（b）顯示了不同圖片呈現的部位不一樣，有些是正面有些是背面等。
（2）Contribution：
提出了一個語義對齊網絡（Semantics Aligning Network，SAN），介紹了對齊紋理生成子任務。該網絡包含一個ReID編碼器SA-Enc和一個重構對齊語義紋理的解碼器SA-Dec。
The Semantics Aligning Network（SAN）
（1）網絡框架：
網絡框架包含了兩部分，SA-Enc用於編碼行人的特征，SA-Dec用於生成語義對齊后的紋理圖片，解碼器理解為把3D的行人展開為2D圖片，該圖片包含的區域特征已經完全對齊了。SA-Enc模塊最終輸出的特征映射為
，進行平均池化得到特征向量
，損失函數采用ID損失和三元組損失。SA-Dec采用非ReID的數據集進行訓練（忽略ReID的監督），損失函數應用三元組損失和重構損失。
（2）Densely Semantically Aligned Texture Image
行人紋理圖包含了一個人的3D樣貌，如下圖所示：
偽紋理圖像的生成：作者采用了去掉ReID監督的SAN網絡，即SAN-PG網絡，生成圖片對應的紋理圖像。為了訓練SAN-PG，作者基於SURREAL數據集合成了Paired-Image-Texture數據集（PIT），合成方法如下圖。通過給出紋理圖、3D人體模型、背景圖，得到行人生成圖。
（3）SAN：
① SA-Enc：采用了ResNet50的四個殘差模塊。損失函數采用了交叉熵（ID）損失和三元組損失。
② SA-Dec：損失函數采用了重構損失
，最小化生成的紋理圖和真實紋理圖的距離。解碼器不僅需要生成紋理圖，還需要能夠判別行人的ID，因此衡量了解碼器每一層的每一個紋理區域的特征距離，損失函數采用的三元組損失，第 l 個模塊的損失計算如下：
其中
為該特征映射的分辨率。
（4）優化：
第一步：只使用重構損失，采用PIT數據集訓練SAN-PG；
第二步：SAN采用SAN-PG的權重進行初始化，再對SAN進行訓練，同時進行ReID和對齊紋理圖的生成。
Experiment
（1）實驗設置：
數據集：CUHK03、Market1501、DukeMTMC-reID、MSMT17、Partial REID、Partial-iLIDS；
（2）方法效果圖：
（3）實驗結果：
