全局特征和局部特征：
全局特征：指一张行人图片的全局信息进行一个特征抽取，这个全局特征没有任何的空间信息
缺陷：1.噪声区域会对全局特征造成极大的干扰；
2.姿态的不对齐也会使得全局特征无法匹配。
局部特征：指对图像中的某一个区域进行特征提取，最后将多个特征融合起来作为最终特征
global.jpg
水平切块：
Gate Siamese
每一块图像经过CNN网络得到特征，局部特征按顺序输入到LSTM网络，自动表达为图像最终的特征。
利用对比损失训练网络，目前很少使用。
那么水平姿态对不齐的情况怎么解决？
采用AlignedReID
Dynamically Matching Local Information(DMLI)
联合全局分支和局部分支一起训练；
全局分支是一个正常的ReID网络；
局部分支引入DMLI对齐思想
归一化：计算局部特征两两之间的距离，并归一化
难样本挖掘：
全局分支计算一个表征学习损失和一个度量学习损失
局部分支计算一个度量学习损失
全局分支计算距离速度更快、梯度方向一致
序列重识别：也被称为视频重识别，利用一段连续的行人图片序列进行行人重识别任务，或者说是个序列搜索序列的问题。
特别：姿态变化丰富；
遮挡现象普遍；
总有几帧质量好，也有几帧质量差；
需要考虑如何融合各帧的信息
