阅读了论文 Person re-identification with part prediction alignment

论文提出的方法：
考虑融合局部和全局特征的优点，使得提取的特征更具有辨别性。作者提出了使用teacher-student网络来提取global-local特征。

• 设计了局部预测对齐(Part Prediction Alignment)网络来提取局部特征。
• 应用了 teacher-student 网络使得全局特征提取指导局部特征提取，使得提取的特征不仅包含全局的空间信息，也包含人体局部结构之间的线索。
  
  代码修改：
• 在fast-reid 中加入了多头注意力机制并做了部分相关实验。
• 尝试修改ID loss为 CrossEntropyLabelSmooth，Metric loss 修改为supcon loss。

问题分析

修改之后 supcon loss 算出来结果为 nan。经过不断调试对比，发现传入 supcon loss 进行计算的特征数值有问题。目前定位到可能是最后一层 batchNorm1d 时出了问题。

下一步

• 修改pvasf, 添加 FPA 模块。
• 思考总结 HRCN 三点修改方案，尝试实现。
• 继续完成对现有 fast-reid 的 loss 函数修改的任务。