动机：

本文作者应该是看了PCB的实验有感，垂直分块太多虽然关注了更多的local特征，但是会降低part之间的联系；垂直分块太少虽然关注了global特征，但会忽略local特征。很难去在分块这个方面选择一个很好的阈值，所以作者统统全部加入，设计了Horizontal Pyramid 结构，这样既考虑global又考虑了local，岂不美哉。

创新：

1. 多个不同的水平分块结构，1，2，4，8并行输入，同时兼顾local和global特征。
   
2. 将输出的特征通过global average pooling 和 global max pooling，原因是特征经过average pooling后会聚焦于整体，而特征经过max pooling后会聚焦于一些具有区分性的特征。感觉这个已经快成为re-id的标配解构了。

框架：

1. 框架：基本结构，分global average pooling和global max pooling两个支路
2. 特征：经过4个不同尺度的水平分块得到的特征。
3. 损失函数：CE loss
4. backbone：resnet50，使用last stride =1

实验：

加入Horizontal Pyramid后heapmap可见更聚集于人的全身范围。

指标也显示了这一提升。

思考：

小小调侃一下：
疑问：到底使用少的分块结构？还是多的结构？
作者：都加
疑问：到底使用max pooling还是average pooling？
作者：都加
本文通篇印证了一句话，成年人不做选择题。