1.论文整体框架概述

        在行人重识别任务中，通常都是对整个输入数据进行特征提取，但是缺少了局部信息。能不能既考虑局部与整体信息，也同时加入他们的联系呢？这篇论文主要的思想就是局部信息和全局信息的融合。     

  整体流程如上图所示，

• 首先对整体进行特征提取， 通常采用图像分类网络（如resnet50）进行特征提取，获得特征图
• 然后将特征图分块，这篇论文中直接在h维度进行截取分块，并没有利用其它辅助信息。可以理解为将人分为不同的局部区域
• 然后就是整个论文的核心部分，GCP模块提取得到全局特征，One-vs-Rest获得局部特征。对于全局特征的获取， Maxpool提取到的是整体全局的特征，avgPool代表的是分散的局部特征的平均，会引入局部与背景信息。为了消除干扰，使用Avgpool-MaxPool即得到了分散的局部特征与全局特征的差异程度（关系），然后使用卷积层去学习这种关系，并与Maxpool经过卷积的全局特征进行拼接，使用卷积提取出全局特征。但是作者并未给出