Introduction
（1）Motivation：
當前的一些video-based reid方法在特征提取、損失函數方面不統一，無法客觀比較效果。本文作者將特征提取和損失函數固定，對當前較新的4種行人重識別模型進行比較。
（2）Contribution：
① 對四種ReId方法（temporal pooling, temporal attention, RNN and 3D conv）進行科學合理的比較；
② 提出了一種采用時空卷積提取時間特征的注意力提取網絡。
Method
（1）視頻片編碼（video clip encoder）：
將視頻切成若干片段 {ck}，每個片段含有 T 幀，將每個片段編碼成 D 維特征向量 fc ，視頻的特征為這些片段取平均值。
① 3D CNN：采用3D ResNet模型，將最后一個分類層替換為行人身份的輸出，將 T 幀輸入網絡中，輸出即為特征表示。
對於 2D CNN：采用ResNet-50模型，每次輸入一幀圖像，每個片段提取 T 次特征，即 {fct}，t 屬於 [1, T]，即 T*D 的特征矩陣，再采用以下方法將特征壓縮到特征向量 fc 中。
② 時間池化（temporal pooling）：考慮最大池化和平均池化，即：
③ 時間注意力（temporal attention）：應用注意力權重，設第 c 個視頻段權重因子為 act，其中 t 屬於 [1, T]：
Resnet-50的最后卷積層規格 [w, h, 2048]，其中 w 和 h 取決於輸入圖片的尺寸。
注意力提取網絡的輸入規格 [T, w, h, 2048]，輸出 T 個注意力得分。
考慮兩種注意力網絡：
空間卷積+全連接（spatial conv + FC）：卷積層規格（kernel = w*h，input channel number = 2048，output channel number = dt），全連接層規格（input channel number = dt，output channel number = 1），輸出結果為 sct，其中 t 屬於 [1, T].
時空聯合卷積（spatial + temporal conv）：先通過空間卷積層（kernel = w*h，input channel number = 2048，output channel number = dt），再通過時間卷積層（個人理解參數3的含義是每個元素是由三幀計算而得，input channel number = dt，output channel number = 1），輸出結果為 sct，其中 t 屬於 [1, T].
使用softmax計算注意力得分 act：
結合正則化（使用sigmoid函數）：
④ RNN：考慮兩種方法：
直接把隱藏層元素 hT 作為最后結果，即：
計算 RNN 輸出 {ot} 的平均值，即：
（2）損失函數：
考慮兩種損失函數，三元組損失（Batch Hard triplet loss）和交叉熵損失（Softmax cross-entropy loss）。
每個batch含有 P 個行人視頻，每個視頻含有 K 個視頻片段，即每個batch含有 PK 個視頻片段，三元組損失為：
交叉熵損失為：
如何理解？
損失函數：
（3）相似度計算：
通過 L2 距離，計算視頻特征的相似度。
Evaluation
（1）實驗設置：
數據集：MARS
參數設置：batch size = 32，每個行人抽取4段tracklets，learning rate = 0.0001/0.0003，視頻幀的規格為 224*112.（關於batch的設置描述模糊）
（2）實驗結果：
① 3D CNN實驗比較：
② Temporal pooling實驗比較：
③ Temporal attention實驗比較：
④ RNN實驗比較：
⑤ 對比方法：
