本文基于现实生活场景中行人姿态多变，遮挡现象频繁发生的设定下，利用了深度学习方法对行人重识别问题进行了探究，本文主要的工作内容如下：
1、介绍了当前行人重识别技术各种角度的研究方法，并且对这些方法的创新点和利弊进行了具体地分析。
2、详细论述了本文提出的一种高效、轻量级的基于混合注意力机制的特征融合网络HAF2N，该网络模型的设计动机是，一方面通过引入少量姿态估计的监督信息对行人人体结构进行局部划分，进而在硬性注意力机制的规范下提取精细人体局部特征。另一方面，使用卷积神经网络提取行人全局特征，然后通过软性注意力学习挑选全局特征图中重要的细粒度像素。特征融合网络通过将局部和全局特征融合，形成了区分行人身份的特征表示，并以此用来完成行人图像检索和排序。
3、本文提出了一种基于硬性注意力机制的局部特征提取方法。该方法能够从输入的行人图像中提取到更加精细的人体部件特征。首先，通过姿态估计工具对行人进行关节点定位，将行人身体进行局部区域划分（RP 和 NP），然后将硬性注意力模块分别应用到 RP和 NP 的特征图上，通过硬性注意力学习，在人体局部特征图上可以定位潜在具有判别力的区域，提取轮廓更加精细的人体部件特征。该方法能够排除无关背景噪声干扰，同时在一定程度上缓解了人体相邻部件之间的遮挡问题。
参考文献（略）
