Abstract
In this work, we propose a novel Spatial-Temporal Attention (STA) approach to tackle the large-scale person re-identification task in videos. Different from the most existing methods, which simply compute representations of video clips using frame-level aggregation (e.g. average pooling), the proposed STA adopts a more effective way for producing robust clip-level feature representation. Concretely, our STA fully exploits those discriminative parts of one target person in both spatial and temporal dimensions, which results in a 2-D attention score matrix via inter-frame regularization to measure the importances of spatial parts across different frames. Thus, a more robust clip-level feature representation can be generated according to a weighted sum operation guided by the mined 2-D attention score matrix. In this way, the challenging cases for video-based person re-identification such as pose variation and partial occlusion can be well tackled by the STA. We conduct extensive experiments on two large-scale benchmarks, i.e. MARS and DukeMTMC-VideoReID. In particular, the mAP reaches 87.7% on MARS, which significantly outperforms the state-of-the-arts with a large margin of more than 11.6%.
问题
Video Person ReID，给定probe视频（RGB），排序gallery中的视频。
方法
提出了一个新的网络STA来解决video person re-id问题，文章列举的创新点有：
1）对每个spatial region给予权重，这能够同时做到discriminative part mining和frame selection；
相比于AAAI2018的Region-based Quality Estimation Network改进了part-based attention，确实在一定程度更加符合现在reid中使用part level特征。这里是不是可以考虑对part特征的选择进行研究，例如使用deformable或者local的attention？不过这个在特征提取过程中已经做了一部分操作，效果不一定有提升。
2）提出一个inter-frame regularization，用来约束不同帧之间需要不类似。
3）新的特征融合方法。
整体看上去并不复杂，方法总览如下：
细节上：
1、特征提取：
ResNet50的最后一层的stride需要调整
这里公式有点问题，文字意思是先对每个point求特征向量的norm的平方，而后在spatial上面做L2 normalization。之后做的L1 normalization和公式也对不上，公式上只是算了每个spatial block的l1 norm。
在得到了每个spatial block的attention score之后，对相同spatial region的score做l1 normalization。
2、regularization的公式，应用在上，注意正则化项只是随机取了两帧计算的，公式在后面。
3、特征融合
使用highest score得到的第一个feature map，使用attention score加权得到第二个feature map，然后使用global average pooling和fc得到最后的特征。
4、算法表
算法表更清晰，但是有一些小错误。
结果
从ablation study看出提出的component： STA，Fusion，Reg都能提高结果。