【车辆重识别论文阅读笔记——HFE】

写在前面

通过生成对抗学习和设计的多尺度注意力模块，使得ReID网络获得更好的判别性能。其中生成对抗部分并未特别了解，网络结构部分的多尺度设计等适合参考。

1. Abstract

本文工作主要包括三部分内容：

1. 提出了一个学习多尺度学习的网络结构，能够吸收粗和细颗粒度的特征。
2. 训练网络的过程中用对抗网络模块生成hard negative，并且用对抗性判别器进行训练
3. 采用辅助任务识别车辆的整体特性（包括颜色、车型）辅助提升embedding的质量，并且在推理过程中有助于初筛掉大量目标。

2. Method

2.1 Overview

网络整体结构如图，其中Hard Negative Generator 和Embedding Dsicriminator都仅应用在训练过程，实际推理的过程中只有HFE网络在工作。

2.2 HFE (Hierarchical Feature Extractor)

将Backbone的不同尺度特征图分别输入Multi-scale Attention模块，获得128维特征向量，最后对不同的embeddings进行池化操作，得到一个embeddings作为global feature。另外不同的embeddings通