一篇2019年3月再arxiv上发表的论文，先看结果
?
文章提出了两个网络。一个是名为车辆转换对抗生成网络的图到图转换网络（VTGAN），一个是基于注意力的特征学习网络?（ATTNet）。VTGAN可以使来自源域（都有标注）的图像具有目标域（未标记）的风格，并且保留源域的身份信息。为了进一步提高对各种背景的域适应能力，提出了ATTNet来训练生成具有注意力结构的图像用于车辆ReId。
问题：
? ? ? ? 1.VTGAN怎么工作，怎么获取风格并且替换背景？
? ? ? ? 2.ATTNet中的注意力是怎么搞得？
2.方法论：
2.1概述
????????我们的最终目标是在未直接标记的未知目标域中执行车辆 reID 模型。因此，我们引入了一种基于生成对抗网络 (GAN) 的两步车辆 reID 方法。 第一步是在源域和目标域之间转移样式。 在这一步中，提出了VTGAN来生成具有目标域风格的图像，并保留源域的身份信息。 在生成风格转移图像后，在第二步中，我们设计了一个具有注意力结构的多任务网络，以获得车辆 reID 的更多判别原生特征。
2.2 VTGAN
这部分我不想赘述了，因为GAN用GAN系列进行无监督 我个人以为不稳定性太大，不是说不好，只是由于现实原因，这种方法我不认为会被应用。我重点关注下方的ATTNet，因为注意力机制已经不是个新名词了，但是关于注意力机制怎么实现，我一直没有得到有效的指导，希望这篇在这里可以详尽的阐述下。
2.3 ATTNet
众所周知，多样的背景是跨域问题的一个重要因素，为了让reID模型能适应目标域，我们在训练特征学习模型的时候面临着一个条件，最好能关注车辆图片而忽视背景。因此，本文设计了一个具有注意力结构的双流reID网络？
问题：
? ? ? ? 为什么要使用双流网络，单流网络无法完成这个任务吗？
? ? ? ? 如图4所示，输入图像从图像生成模块获得，并且被分为正负样本对。对于一个分支，输入的图像被送入5个ResNet Blocks并且输出为7 x 7 x 2048的特征图fr。然后将他们传递到全局平均池化层（GAP）来获得特征图fg。fg用于通过提出的注意力结构生成掩码M。给定特征图fr，其注意力图计算为M=Softmax(Conv(fg))，其中一个Conv算子是1x1卷积。获得注意力图M后，可以通过fm=fg张量积M 来计算注意力特征图。之后特征图将参与到后续的结构中。这里还引入了一个shorcut结构，