AlignedReID（转载自魏大明白）

很易懂的行人重识别解读
多任务模型对于菜鸡来说是很好的炼丹方向，AlignedReID是早期的多任务模型，作为入门是个不错的选择，本文转载魏大明白的文章，做个文章归纳，主要是自己看的更轻松点。

0.alignedreid论文解析

训练阶段共有两个分支，其中局部分支使用最短路径损失来对其局部。
测试阶段，只是用全局特征，忽略局部特征，因为实验发现单用global feature和联合两个特征效果相差不大。

1.从零开始AlignedReID_01

数据集的加载

重构data_loader库

数据采样

2.从零开始AlignedReID_02

输入为N张图片，这里取32为一个batch，在输入前对图片进行转变，得到256×128的图片
Ret50神经网络
Input：x[32,3,256,128]
经过conv5卷积层得到x[32,2048,8,4]
全局分支：经过平均池化层得到global_feature:[32,2048]
local分支：实现水平池化（HorizontalMaxPool2D.py）、归一化、ReLU、1*1卷积=>[32,2048,8]

用if分割全局分支和局部分支，然后用if self.loss判断返回全局分支和局部分支，这就是model要做的事。

3.从零开始AlignedReID_03

loss

4.从零开始AlignedReID_04

CMC,mAP,re-rank

5.从零开始AlignedReID_05

模型训练，这部分代码中是最复杂的内容，把之前四个部分整合起来。

加载头文件
设置相关匹配项

主函数 main()

数据预处理
初始化数据集
数据增强
导入数据
模型加载
损失函数加载
优化器加载
	判断是否是测试，导入test(...)
	return 0
模型训练
	调用train(...)
	保存模型20,40,...

train()

if判断 xent_loss ， global_loss ， local_loss
loss = xent_loss + global_loss + local_loss
loss 反向传播

test()

feature计算dist
loss不用

天知道我什么时候才明明白白知道test()不用loss。
再次感谢魏同学的清晰解释。