introduction
用dl的方法去預測人的attribute挣饥，這是一種local的方法，在這篇文章中是對global方法的一種補充（兩者同時作用）狠裹。以下圖為例调违，一個只捕獲global特征的reID system是無法辨別下面的人的，但是人眼可以，因為人眼在無法從全局信息分辨的時候铺然，還能更進一步的仔細觀察特征俗孝，即attribute。
這篇文章和以往用attribute來做reID的方法不同之處在于魄健，以往的文章用的都是image pair 或者是 triplet （loss）驹针，原因是以往的dataset對于每一個ID只提供一對圖片，而現(xiàn)在的dataset能提供更多的訓練樣本诀艰，所以用classification（loss）的方法會更好一些。
然后我們需要理解兩個概念饮六，一個是ID-level attributes其垄，意思是屬于某個人的具體的特征，比如性別卤橄，帶沒帶帽子等绿满，另一個是Instance-level attribute，比如在打電話窟扑，在騎自行車等喇颁，這篇文章關注的是前者。
作者提出一個網(wǎng)絡結構（w attribute-person recognition (APR) network）嚎货，類似于我前一篇解讀的paper橘霎，分成兩個branch，一個branch就是提取全局特征做reID殖属，另一個branch用于提取attribute信息姐叁。結構圖如下
此外，作者還做了件好事洗显，就是因為他們要用attribute信息外潜，所以他們?nèi)斯俗⒘艘徊糠中畔ⅰ?/p>
related work
基于CNN的前人的工作分成兩種，一種是deep metric learning挠唆， 另一種是deep representation learning处窥，前者在訓練小數(shù)據(jù)集上有優(yōu)勢。但是后者目前更受歡迎玄组。本文的工作是基于后者的滔驾。
