ICCV2019-行人重识别-Discriminative Feature Learning with Consistent Attention Regularization for Person

动机：

在re-id数据集中，一个样本图像由有效的前景信息（行人信息）和无效的背景信息（背景干扰）信息构成。所以说，能否有效学习到面积只占整个图像一部分的行人信息，即Discriminative Feature，就是了一个良好re-id模型的关键。
目前的常见的提取行人信息的方案各有利弊，最容易想到的方法便是使用annotated mask，但这种方法引入额外的标注，并且样本分辨率低，所以mask也不一定很准。

创新：

1. 作者设计了一个attention module，意在得到不同特征下的行人mask，其中采用三种尺度的空洞卷积，减少参数量的同时增大感受野。
   
2. 深层次的特征图语义信息更丰富，所以会得到更高质量的行人mask，通过不同层的layer后，不同的attention module将得到不同的heatmap。已知行人mask的区域在不同的heatmap上的位置都是固定的，所以将这些heatmap信息，通过consistent attention regularizer这种正则化，让这些mask尽量一致，从而形成了一种正反馈的过程，让低层的特征得到的mask也会更准。