题目：Video Person Re-identification with Competitive Snippet-similarity Aggregation and Co-attentive Snippet Embedding

• 作者 : Dapeng Chen, Hongsheng Li, Tong Xiao（商汤）

1.解决的问题

• Video Person Re-id

2.介绍

• 现有的很多方法是将一段视频的每一帧抽出一个特征向量，然后将特征向量做一个max-pooling或者mean-pooling代表这段视频的特征向量。但是在视频里面有丰富的信息，一个特征向量无法很好的代表这种信息，会丢失掉很多的重要信息。

• 作者在这里将一个长视频分割成很多片段（每个片段有很多帧），当给两个长视频作为比较的时候(比如比较是不是同一个人)，可以计算片段与片段之间的相似度，然后选取topk的相似度作为最终长视频的相似度。因为每段视频拍的角度可能不同，但视频A的某一个片段和视频B的某一个片段也许很相近，就可以选出来作为相似度。

• 作者提出了一个temporal co-attentive embedding 方法，用于计算片段之间的相似度。利用了一个query q 来指导进行距离度量。

3.方法

3.1. Competitive Snippet-similarity Aggregation

• 用 p 来代表probe sequence，g 代表 gallery sequence，我们的目标是计算p与g之间的相似度。首先，将一个sequence 切分成很多个snippets，每个snippet 都用固定的长度L帧。
• 用 pn$p_n$ 和 gk$g_k$ 代表 p 和 g 中的任意一个snippet，那么它们的相似度可以用 m(pn,gk)$m(p_n,g_k)$ 来表示，那么p和g的所有可能相似度可以用 M(p,g)={m(pn,gk)|pnϵSp，gkϵSg}$M(p,g)=\{m(p_n,g_k)|p_nϵS^p，g_kϵS^g\}$ 表示，即使同一个人的两个序列，可能会因为角度不同，遮挡等原因有很大区别，所以这里就在M(p,g)$M(p,g)$ 中选择 top-ranked 相似度(top t%)，形成一个新的集合，然后以这个集合的平均相似度作为两个长视频 p 和 g 的相似度。

3.2. Coattentive Snippet Embedding

• 现在问题转变为了计算两个snippet之间的相似度，首先将一个snippet，我们这里用 s 表示，之前提过，这个s有L帧，使用一个CNN来提取每一帧的特征向量Ψl(s)${\mathrm{\Psi }}_l(s)$,那么一个snippet的特征向量就是所有帧的特征向量的集合Ψ(s)=Ψl(s)Ll=1$\mathrm{\Psi }(s)={{\mathrm{\Psi }}_l(s)}_{l=1}^L$

3.2.1. Attention with Query and Key-value Features

• 对于一个snippet来说，Ψ(s)$\mathrm{\Psi }(s)$ 其实包含着很多冗余的信息，因为帧与帧之间的差别很小。所以这里提出一个attention机制来选择那些有判别力的信息。如下图：

  

VALUE PROJECTION 和 KEY PROJECTION 都是线性映射，Attention的计算如下图所示：


3.2.2. Snippet Similarity with Co-attentive Embedding

• query vector q$q$ 用LSTM的最后一步的隐藏层向量表示，权重a可以用过上面公式计算得到，那么对于每个snippet来说都可以求出其特征向量，对于probe snippet来说，得：

对于gallery snippet来说，得：

得到了两个snippet得特征向量，可以求 m(pn,gk)$m(p_n,g_k)$ 了，论文中用下面公式来计算，f 代表全连接层，m越大越好。

3.2.3. The Network Structure

• 整体网络结构如下图：

  

  Loss用的是交叉熵，训练样本是成对的，每一个batch选择随机的32个人，每个人从不同的video选出两个snippets，一个作为probe snippet，另一个作为gallery snippet，构造出32个正样本，和32*3个随机选择的负样本。

4.结果

​