整体框架
本文主要有三个贡献点：
- 通过视角感知(viewpoint-aware)的注意力模型，获取多个视角的注意力映射(attention map)
- 通过GANs机制，通过单视角特征和注意力映射生成多视角特征
- 设计一种度量方式，拉近同id的图片之间的空间距离，推远不同id的图片之间的空间距离
整体框架图如下所示：
本文简要介绍注意力模型(attention model) 和 多视角生成网络(multi-view generative network)
Viewpoint-aware attention model Mechanism
本文采用注意力模型，将网络模型的注意力集中到图片所含视角和目标视角的“交集”。
Attention map（即一个用来指示注意力区域的mask）由一个上下文向量（context text）产生的，而这个上下文向量在一组标签的弱监督下训练而来，标签共有三个维度，分别表示前、侧、后三个方位。
论文中将输入图像划分成N个区域，\{u_1, u_2, \dots, u_N\}，其中u_i是256维的向量。
在step t，可以用如下公式得到针对某特定区域的上下文向量
Attention函数的具体公式如下所示。三个参数分别是上一个step的上下文向量、输入图像、和五个中央视点向量(central viewpoint features)中代表所需方向的一个。
注意力权重(attention weights)\{a_n^t\}_{n=1}^N通过下方第二个公式得到
上下文向量的初始化方式如下：
attention model最终目的是生成其它视角下的feature。输入图片自带视角的特征由分类网络F的Conv4特征提取，剩下的几个视角则由attention map \{a_v\}_{v=1}^V做mask运算而来。
疑点：具体实现中，是如何将256维的 c^t和3维的标签关联起来计算loss的？通过将c^t连接一个输出为3维的全连接层来预测概率？
Adversarial Multi-view Feature Learning
文中从GANs的思路中受到启发，用生成/对抗的方式将单视角的特征转化为多视角特征。
文中采用了两个生成器，G_f的输入是单视角图像的注意力特征(attention feature)， 而G_r的输入是和G_f同一ID的、不同视角的真实图片的特征。
生成器G_f的目标不是令判别器的输出最大化，而是令单视角数据在判别器D第四层的特征具有和多视角数据的同一层特征具有相同的统计分布。（这一点从下图中的loss计算公式中可以看出）
Rather than maximizing the out- put of the discriminator for generated data, the objective of feature matching is employed to optimize Gf to match the statistics of features in an intermediate layer of D.
loss公式如下所示：
疑点：文中似乎没交代，D的判别概率是从哪来的。是2048维向量后面连了一个全连接层？L_{Advers}第一行中，D的输出可是被送入了log函数。
Optimization
这一段主要讲训练步骤
- 用分类网络F提取车辆特征
- 用K近邻将车辆特征按照视角聚成五类，训练注意力模型。
- G_r和D联合训练(注：G_r和G_f必须分开训练，否则会因为特征分布差异过大而难以收敛)
- G_f和D联合训练
- 引用L_{Reid}联合训练整个网络，F和G_r除外。
当前只看到了方法部分，正准备看实验部分。之前没有接触过attention机制，对自己文中的中文翻译感到惶惶不安，所以该附英文原词的都附上了，希望不会带来阅读障碍。
感想
第一次写技术博客，写于第二次读这篇论文的过程中。动笔写一写，发现了自己很多的弱点，比如对英文专业名词中文翻译的准确度还不够；平时读论文总是习惯性地浅尝辄止，也导致对算法的语言表达能力不足。
