1.High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification（CVPR2022,中科院自动化所，旷视）

模型由三大部分组成：

1.一阶语义信息的提取（semantic feature）：

使用一个CNN骨干网络得到feature map和姿态估计器得到关键点heat map，利用heat map对feature map进行加权池化得到k个关键点特征和1个全局特征，Vs（（k+1）*d）

2.高阶关系学习（方向自适应的图卷积层）（relation feature）

图的紧邻矩阵的定义：首先计算一个差异特征矩阵Aadp，每个点跟其他节点权重都相同，权重与当前节点跟全局节点的差成负相关。使用差异特征矩阵Aadp跟预先设定的邻接矩阵A相乘，得到最终的邻接矩阵。并结合了残差网络的思想，利用图卷积求得高阶关系特征Vr（（k+1）*d）

3.高阶人类拓扑学习（图匹配策略）（topology feature）

 对于输入的特征对，利用图匹配策略（GM）得到匹配矩阵U，相互融合信息得到输出特征

 4.损失

利用CNN和姿态估计提取的K+1个semantic特征，计算id和triplet损失
利用图卷积提取的K+1个relation特征，计算id和triplet损失
利用图匹配提取的topology特征对，计算对比损失，也就是二分类交叉熵

5.匹配

先计算query与所有样本的realtion特征的距离，之后对topk特征计算topology特征距离，进行加权。