Introduction
当前的part-based reid方法分为如下三类：
① 采用人体部件位置的先验知识或者姿态估计来定位部件区域（如把图片按若干个水平区域划分）；
② 通过部件定位方法来识别部件；
③ 采用注意力机制来关注部件区域。
作者提出了一个全局、局部不同粒度特征联合学习策略，即 Multiple Granularity Network（MGN），如下图：
Multiple Granularity Network
IDE baseline 提取出的行人特征映射图如下所示，可以发现即使没有采用注意力机制，深度神经网络依然能够提取出行人肢体的语义信息。
（1）网络结构：
三个网络分支的细节为：
① 上层分支为全局特征提取。先采用步长为2的下采样，紧接着全局最大池化得到特征映射，再进行1*1卷积、batch正则化、ReLU激活，把2048维的特征
下降到256维的
；
② 中间分支和下层分支不采用下采样，区别在于中间分支将特征map划分为2块，下层分支将特征map划分为3块，分别对全局和局部进行池化。
③ 在测试阶段，所有的256维度的特征向量进行concat，得到最终的特征向量进行度量。
（2）损失函数：
① softmax损失：
其中
对应的是第 k 类的权重，对于三层的局部特征和全局特征均计算softmax损失。
② 三元组损失：
对于三层的全局特征计算三元组损失。
Experiment
