【ReID】论文笔记：《AlignedReID: Surpassing Human-Level Performance in Person Re-Identification》

用动态规划求最小路径进行特征对齐。
让多个网络自动学习人体结构对齐，并彼此相互学习。
算法提到了两个创新点，动态对齐（Dynamic Alignment）和 协同学习（Mutual Learning），算法在Market1501和CUHK03上的Rank-1达到了94.0%和96.1%，首次在行人再识别问题上超越了人类表现。

仍然是学习全局的特征，但是能自动进行各部分的对齐，
在局部特征的学习中，我们通过计算最短路径进行对齐操作
在预测阶段，只使用了全局特征而没有采用局部特征。
对于度量学习，作者采用的是mutual learning 的方法，并取得了很好的结果

1）原理：
Re-ID一般分为两步：一是提取特征，二是进行度量学习。在AlignedReID中，每张输入图片的最终输出是单一的全局特征，而该全局特征是与局部特征联合训练得来的。
对于全局特征的提取，便是用global pooling在feature map上滑动提取特征。
对于局部特征提取，便是用horizontal pooling对feature map进行逐行提取，然后再进行1x1的卷积操作。这样得到的特征代表人体的水平部分。
最后，一张图像就可以用一个全局特征和多个局部特征代替。

两张图片的距离是全局特征距离与局部特征距离之和。
全局特征距离是指全局特征之间的L2距离
局部特征距离是指通过动态规划的方法求出的最短路径，并通过该最短距离找到对齐的局部特征。

2) 算法：
AlignedReID作者的思路是引入端到端的方法，让网络自动去学习人体对齐ÿ