Dual Attention Matching Network Reid
特征序列生成
图片：通过dense net 多通道特征图，然后特征图上一个位置的所有通道作为一个特征，所以多个位置就形成了多个特征序列。
视频：经过densnet，各个帧对应的特征图经过rnn（按帧，也就是按时间步），然后将每一时间步的隐藏状态作为特征序列对。这样的话：第一个时间步的隐藏状态其实就不包括时间全局信息。
序列匹配模块（如下图）
一个transform层（就是一个线性变化加bn加relu）一个attentionmap层（无参数的）
如果像以往的办法直接匹配序列对的话，会受到不对齐的影响。
所以 refine ，对齐（无先后关系）
主干网络提取到两个特征序列，需要分别对每个序列进行refine，对齐。论文里是以a序列来说的。
这里也以a序列来说：（从上图可以清楚看到）
将a里的一个特征送入transform层来生成key（其实他后面的作用就相当于attention的），然后用这个key和a序列内的向量做內积（是要做softmax归一化的），和a序列做加权和对这个特征做refine；接着用这个key和b序列内的向量做内积（是要做softmax归一化的），和b序列做加权生成和a特征对齐的特征。这样针对a序列里的一个特征做refine和对齐就完成了。
中间涉及到的公式：
transform层：
Attention layer 层求內积（点乘）（a序列内，b序列间）
內积做归一化并加权：
距离计算和叠加。
分别对a序列的每个特征做refine和对齐，然后每个特征对（refine，aligned）求欧式距离并进行平均池化。
同样对b序列在做一次
公式如下：
损失函数：
3个
如图所插入的位置，特征提取模块用函数F表示，匹配模块用M表示
Triplet loss：
De-correlation loss （放在特征提取模块后）
x是序列内部特征向量矩阵，N是一个序列的数目。
Cross-Entropy Loss with Data Augmentation
通过对提取到的特征重新组合，保持id不变来增强数据。对于结果提升明显。
