【论文阅读】Hierarchical Bi-Directional Feature Perception Network for Person Re-Identification

问题：最有判别力的特征 由于遮挡或者视角变化 造成缺失的时候

• 就是最有用的缺失一部分

解决：多层次信息相互关联，相互加强
首先，利用低秩双线性池对跨层特征的相关映射进行建模。
然后，在相关图的基础上，利用双向特征感知(BFP)模块丰富高级特征的注意区域，学习低级特征中的抽象和具体信息
然后，我们提出了一种新的端到端层次网络，该网络集成了多级增强的特征，并将增强的中低层特征输入到后续的层中，以重新训练一个新的强大的网络。
此外，提出了一种新的可训练的广义pooling，它可以动态地选择feature map中所有位置的任意值来激活。

in this paper, we propose a novel Hierarchical Bi-directional Feature Perception Network (HBFP-Net), which exploits the relationship of multi-level feature maps via low-rank bilinear pooling and then Bi-directional Feature Perception(BFP) module is employed to correlate multi-level information.
探索关系并联系，关注不太明显的区域

增强的高级特征扩大了对全身的关注，增强的低级特征信息可以集中在身体的主要部位。

• 不同层之间相互生成 通过 BPF生成 后面又接了个增强的网络
  
  1×1 卷积可以压缩信道数。池化可以压缩宽和高。
  １x1卷积给神经网络增加非线性，从而减少或保持信道数不变，也可以增加信道数