Introduction
为了提取两个特征之间的相关性，设计了Relation Module（RM）来计算相关性向量；
为了减小背景干扰，关注局部的信息区域，采用了Relation-Guided Spatial Attention Module（RGSA），由特征和相关性向量来决定关注的区域；
为提取视频级特征，采用了Relation-Guided Temporal Refinement Module（RGTR），通过帧之间的关系信息融合为视频特征。
Method
（1）框架概述：
假定输入的视频片段为
，采用CNN提取得到单帧的特征映射
，传入RGSA提取得到帧级特征向量
，得到向量集合
，最后通过RGTR得到视频级特征向量
。采用的损失包含：帧级的交叉熵损失、视频级的交叉熵损失、三元组损失。
（2）RM模块：
计算两个向量之间的关系最简单的方法是求向量的内积，但其结果只能表明向量间的相似度，忽视了局部的相似度和差异。另一个常用计算方法是计算元素差异，但这种方法包含了冗余信息，且计算量大。因此作者提出了RM模块来计算两个特征之间的关系向量。
两个特征之间的差异度计算为：
，其中
，
，其中
，最终得到相关性向量为：
，其中
。
（3）RGSA模块：
假定图像的特征映射为
，其中
表示不同的空间元素，每个元素都表示为 C 维的特征向量，将特征重构为
，针对每一个空间元素都计算其与其它位置元素的相关性向量，即：
与位置 i 有关的相关性向量concat为：
其中：
，得到空间的注意力得分：
其中
，最终特征向量融合了空间注意力，为：
（4）RGTR模块：
通过上述模块提取得到帧级的特征向量
，通过RM模块提取帧之间的相关性向量：
将关于 t 帧的相关性向量进行concat，为：
与原特征进行融合，为：
最终视频级的特征向量为：
（5）损失函数：
对视频级特征、帧级特征采用交叉熵损失，分别为
、
，总交叉熵损失为：
三元组损失计算为：
其中：
，
，
，
为距离函数。
全局损失为：
Experiment
（1）实验设置：
① 数据集：MARS、DukeMTMC-VideoReID、iLIDS-VID、PRID-2011；
② 实验细节：在训练阶段随机从视频中挑选T帧，每个batch包含 P 个行人ID，每个行人ID包含 K 个视频；数据输入采取随机翻转、随机擦除；骨干网络采用预训练的ResNet50；训练阶段选取帧数为T/2；采用4块NVIDIA Tesla V100 GPU进行训练测试；
③ 参数设置：P = 18，K = 4，即batch size = 72 T；输入图像规格为 256*128；训练器为Adam，其weight decay = 5*10-4；迭代次数为375次；学习率为3*10-4，在125个epoch和250个epoch后均下降到0.1倍。
（2）实验结果：
（3）方法效果可视化：
