Introduction
在空间维度上，现有video reid方法局限于把所有帧在相同分辨率下进行特征提取，造成了特征冗余，如图(a)。
在时间维度上，现有方法要么采用long-term要么采用short-term，也有一些方法同时考虑了两者，却赋予两者相同的权重来融合。但如图(b)所示，当存在遮挡情况时，需要long-term来提供更多信息，当存在快速移动情况时，需要short-term来提取动作模式等。因此需要动态地捕获short-term和long-term的特征。
作者提出了Bilateral Complementary Network (BiCnet)来提取不同帧中的互补空间特征。其包含了两个分支，Detail Branch对原分辨率进行空间特征提取，Context Branch对下采样图像进行long-term特征提取。之后在每个分支上增加了多个parallel spatial attention模块，来增强局部注意区域的多样性。最后将两个分支的互补信息进行融合。
此外作者提出了Temporal Kernel Selection (TKS)模块来动态度量short-term和long-term的时序关联。在时间维度上，同时使用小的kernel和大的kernel来捕获时序关联。并且TKS依据全局信息选择了一个dominant temporal scale (主导时序尺度)。将BiCnet和TKS结合，命名为BiCnet-TKS。
Proposed Method
(1) Bilateral Complementary Network：
① Two-branch Architecture：
假设输入的视频序列为
，划分为
和
(B表示Big；S表示small，分辨率是B的一半)，分别输入到两个分支中，即：
最终将两个特征求平均值。
② Cross-Scale Paths：
在两个分支间设计了Cross-Scale Paths(CSP)将Detail分支的信息传播到Context分支中。假设两个分支的中间特征图为
和
。由于两者的结构不同，需要改变前者的特征图维度，即：
其中
为最大池化，*为卷积，
为reshape操作使得维度从
转为
。特征图维度一致后将两者进行相加融合。
③ Diverse Attentions Operation：
每个分支都嵌入了DAO模块来增强注意力的多样性。对第一帧进行全局平均池化和softmax，获取权重图
，而后续帧的权重图计算为：通过卷积层压缩通道为1，空间维度reshape为HW维，在、通过全连接层映射，再重新回复到HxW维，最后进行softmax得到权重。为了训练不同帧关注不同区域，设计了divergence regularization term，即：
作者采用了dot-product相似度(余弦相似度)，上述的公式表示两个区域的区别度(越大越好)，因此下面divergence loss越小越好：
(2) Temporal Kernel Selection Block:
TKS对一个特征图序列
进行处理，分为三个步骤：分割、选择、激励。
① Partition Operation：
由于不同帧的行人图像存在不对齐现象，因此采用分块策略，把每帧分为hxw个空间块，再对每个块采用平均池化，得到region-level的特征图
② Select Operation：
采用K个分支，每个分支采用不同卷积核尺寸的1D空洞卷积，将K个分支的输出相加，再进行全局平均池化，得到全局特征，即：
对全局特征进行K个投影，再进行正则化，即：
最后将K个分支的权重进行加权求和，即：
其中
是reshape。
③ Excite Operation：
基于残差的思想，最终的特征图可以计算为：
，
，其中
为最邻近上采样。TKS保持了原始特征图尺寸，因此可以插入网络任何阶段。
(3) Overall Architecture:
作者采用预训练的ResNet-50作为骨干网络，DAO插入在第三个stage后，而TKS可以插入在任何阶段。两个分支共享权重以降低参数量。
Experiment
