动机：

依旧是一篇基于attention 的论文，不得不说现在market数据集上top10基本被attention霸榜了。这篇文章的出发点和SONA很类似，作者分析目前attention的操作都太过于粗糙，例如 spatial attention 和 channel attention ，需要高阶的操作以获取更多local之间的关系。

创新：

乍一看first-order和channel attention基本一致，果然，作者在后文有提到。没有细看矩阵的推导过程，看图觉得作者应该是在第N个order采用了N个1×1的卷积核，之后得到的N个等尺寸的feature再相互乘，得到不同阶的mask。
因为作者已开源，看了下源码，确实如此，附上部分源码注释。

在得到不同阶的feature后，作者又设计了一个对抗损失adversary coefficient，这设计很巧妙：

• 特征由FC层输出后，期望各个feature之间的差异性缩小
• 然而作者设计的Mixed High-Order Attention Network却期望不同阶的attention模块可以学习到更有区分性的的特征，即不同阶学到的特征不同。

框架：

1. 框架结构：单一分支
2. 特征：加入Mixed High-Order Attention Network后得到的特征。
3. 损失函数：CE loss+adversary coefficient
4. backbone：resnet50 使用PCB框架

实验：

不加PCB前性能一般，对比其baseline提升也不是很明显。
加入PCB后提升到了market 下 rank1到了95.1

对比SENet50，即first order channel attention，在6阶的时候提升效果明显

疑惑：

作者在github上开源了他的代码，并放出了实验结果，与论文中相比，大部分少了几个点