這篇文章在OIM的基礎上做了較大改進，在CUHK-SYSU和PRW兩個數據集上取得了不錯的進展。
基本流程如Figure 1的右邊，用孿生的faster rcnn網絡做detection，然后用re-ID網絡做識別，最后用QSimNet求query-gallery圖像對的相似性。
整個網絡的框架如Figure 2。由幾個大的部分組成：①上下兩條線SiameseNet，基本上是OIM的identity net，這部分將ResNet分成了conv1-conv4_3和conv4_4-conv5兩段；②ResNet第一段加入QSSE-Net用來做特征提取，下線進一步加入QRPN以提取proposal,使得過程變成query-guided ③ResNet第二段用作identity分類，上下線的輸出特征最后送入QSimNet計算相似性。
QSSE-Net
Figure 2中我標記的①QSSE-Net的作用是提取特征。注意，這個孿生網絡的輸入是整個query image和整個gallery image圖像對。該部分如Figure 3所示
這部分利用了SEBlock，在18年CVPR的person search文章里也用了這種結構。孿生網絡共享參數，基本網絡結構是ResNet。值得一提的是，在SEBlock第一階段，經過global average pooling之后，query和gallery的feature連接在了一起，作者認為通過這種方式，QSSE-Net re-calibrates channel weights to take into account intra-network channel dependencies and inter-network channel similarities。輸出的就是兩張圖像的feature map。
Query-guided RPN (QRPN)
該部分是為了對Gallery image檢測得到proposal。注意輸入不再是整張圖像的feature map，而是crop的之后對應的圖像塊的feature map。結構如下
這部分顯然是受SEBlock的啟發，Query的feature經過兩個FC實現squeeze和excitation,但是輸出是和gallery的feature相乘（SEBlock是乘回query原輸入）。輸出即得到proposal.
Query-guided Similarity Net (QSimNet)
Loss
顯然網絡結構很復雜，事實上也是有7個子loss
實驗結果
