全局特征和局部特征

全局特征(Global features)是指对每一张行人图片的全局信息进行一个特征抽取，这个全局特征没有任何的空间信息。
缺点：
噪声区域会对全局特征造成极大的干扰(背景杂波)。
姿态的不对齐造成信息不对齐，也会使得全局特征无法匹配。
为了解决这个问题，我们提出了局部特征。
局部特征就是对图像的某一区域进行特征提取，最后将多个局部特征融合起来作为最终特征。
常用方法：切片，姿态，分割，网络
切片(Stride)：水平切片，从上到下，对每一个切片块进行特征提取
姿态(Pose)：利用姿态估计模型，把每个姿态估计出来，对关键姿态点进行特征提取
分割(Segmentation)：把人或某个区域分割出来
网格(Grid)：根据feature map

通常一个行人会定义14个姿态点
两个相邻的姿态点相连形成骨架
常用额姿态点估计模型包括: Hourglass、OPenPose、CPM、AlphaPose

Part: 是指通过一定的规则(例如姿态点信息)手工设置的一些矩形框区域
Attention: 是指(在一定的约束条件下)网络自动学习出的比较重要的任意形状区域

水平池化是指对于将feature maps进行水平等分，然后再池化得到分块的局部特征。

网络特征是指，将HxWxC尺寸的feature map中每个像素的C维特征作为一个网络特征，最终共有HxW个网络特征向量，每个向量的维度为通道数C