這應該是最後幾篇reid論文ＸＤ

OSNet：Omni-Scale Feature Learning for Person Re-Identification

我們知道reid是一個很難的問題，因為：

1. 同一個人在不同視角下的外觀可能會有很大的變化（背了背包）
2. 或是不同人穿著類似的衣服，如下圖四個分別為(本人/本人/非本人)
   

因此model需要學到“有鑑別力的”特徵，並且要能適應多種尺度的情況。
本文主要提出了一個能多尺度融合的網路結構，概念如下圖

R= Receptive field size

具體做法是用多個3x3去組成[5x5,7x7..]等等更大的Receptive field，
可以節省參數量，
Lite 3x3是使用Depth-Wise conv進一步減少參數。

用不同大小Receptive field去組成一個block，
最後再用本文提出的aggregation gate (AG)把feature maps fusion起來。

Aggregation Gate(AG)

AG的用途是希望能動態的學習每個feature maps的權重方式，判斷要用哪個尺度的特徵。

這裡的G是一個小型網路，由GAP, MLP, RELU, FC, sigmoid依序組成
並且AG是共享的，所以也更好地互通特徵。

整體網路結構，與其他backbone相比輕量許多

Result

OSNet在大部分的Benchmark都取得STOA的表現