1. 贡献
在行人RE-ID的任务中，通常会结合局部和全局特征来克服”只使用全局特征时出现的错失关键部位和misalignment的情况“。使用这种全局局部相结合的方式可以产生更好的性能。
- Previously： 局部特征提取模型关注在空间划分(spatial partition)上
- Recently：局部特征关注在处理通道信息（channel partition）上，eg，Group Normalization, channel attention
然而，通道划分并没有提供足够的注意力在行人重识别领域。
注：
通道划分不会从特定的身体部位提取局部特征，而是保留指示这些高级概念存在的特征。通过将通道分成几个组并训练单独的通道组，可以消除每个通道组中的语义概念之间的相关性。因此，信道划分允许进行语义概念到概念的匹配（例如，有或没有包带），这可以补充空间划分的表示。
本文做了充足的实验来提取通道划分的特性，贡献点如下：
- 做了对比实验对比spatial, channel paritions和注意力机制，得出如下结论：
- 注意力机制可能会去除掉有用的辅助信息（secondary info）
- 与传统的空间划分对比，通道划分对保存辅助信息的表现更好
- 空间和通道划分结合来提高网络学习辅助信息的能力。通过在金字塔结构中采用多个空间-通道划分，提出了一个端到端的网络
2. 外观表示（Appearance Representations）学习
- 使得appearance representations更加鲁棒常用方法：
- 选择合适的损失函数
- 基于局部空间的模型设计（Spatial Part Based Models）
- 分区表示（Partitioned Representations）的学习
- 空间划分：使得更多的区域被关注
- 通道划分：关注了更高层的语义信息，eg，下图d与e获得了具有语义概念的肩带和鞋子。
由于通道分区的激活区域与空间分区的激活区域不同，我们可以推断，当联合训练时，从这两种分区提取的局部特征是互补的。因此，作者提出了结合两种划分方式（spatial-channel partition）,结果如下表所示：
结论：
- Channel partition比spatial partition的表现要好，因为基于因为语义概念到概念的匹配比身体部位到部位的匹配对错位更具鲁棒性。Spatial-channel partition可以进一步提高性能
- 注意机制引导神经网络定位图像中最重要的区域。因此，辅助信息可能被注意机制忽略。Spatial-channel partition可以保留更多的辅助信息。
3. 模型-Spatial and Channel Partition Representation Network (SCR)
?Total loss：
?
?
注：
对SCR模型进行全局和局部特征的联合训练有助于构建更健壮的特征表示。从局部提取的局部特征对未对准和视点变化非常敏感。对于局部他在来说，寻找hardest positive and negative pairs是非常具有调整性的。例如，当两个人穿着相似的白色T恤时，我们不能只看上半身。因此，triplet loss仅用于全局特征。Softmax交叉熵损失有助于估计小部件中特定特征的存在，这使得它更适合于局部特征。
4. 实验结果
消融实验：
对比实验
?
?