1. 摘要
为解决姿态变化的问题，作者提出Pose-driven-deep convolutional model（PDC），结合了global feature跟local feature，
而local feature 还用一个feature weight network（FWN） 进行重要性程度度量，在常用reid数据集
CUHK03 、Market1501、viper 上面取到了非常好的效果。
2. 介绍
这个PDC模型有两个比较重要的子网络:FEN FWN；最后整合global feature 和 local feature 用一个softmax loss进行分类。
（1）FEN主要是把原始的图像进行姿态估计，找出14个关键点，然后基于这个14个关键点把行人分成6 parts
然后其中还有一个PTN 的网络把6 parts进行一个变换，整合成一张新的行人图像。
（2）FWN 对经过一系列CNN 的modified image学习每个part的权重表示
本文的主要贡献：
（1）提出PDC 模型，其中的FEN子网络对行人进行关键点检测，对parts进行处理
（2）FWN子网络，通过赋予行人每个part一个不同的权重来凸显有判别力的part，并且避免引入不必要的噪声
3. 方法
PDC模型的framework 如下 FEN子网络说明如下
FEN中的PTN具体结构 local feature 经过FWN同global feature 整合的过程图
4. 实验
（1）证明global feature 同local feature 结合的有效性、经过子网络FEN处理的有效性、经过FWN处理的有效性；
PDC模型（结合上述所有的处理）的结果最佳
（2）在经典数据集上同state-of-the-art 方法的比较
CUHK03 数据集上的比较（取得最好的结果）
Market-1501数据集上的比较（取得最好的结果）
VIPeR数据集上的比较（结果比spindle net稍差，可能是训练数据集数量不够多）
（3）FWN子网络的设计实验（实验表明一个卷积层+一个非线性变换最佳）
local feature同global feature 整合过程经过FWN子网络处理后的变化展示
5. 结论
文章的PDC模型证明了body parts cue 对Reid 还是起到相当大的作用。PDC模型通过整合global feature and local feature
并用一个子网络FWN对part部分的权重进行计算，效果甚佳。
6. 评价
模型效果很好。只是模型稍微显得有点多：其中包含了一般的CNN模型提取特征，还有FEN子网络对人体的关键点进行估计，
再对人体的parts进行变换，而整合；之后仍需要通过一个FWN子网络估计行人的各个part对Reid 的作用程度。
不过非常有意思的是FWN子网络，认为不同的part对Reid的影响不一致，从而为parts分配一个权重，这个有利于增强具有分辨力
的part，抵制噪声的加入，非常好。