基于视频的ReID

Region-based Quality Estimation Network for Large-scale Person Re-identification

最近集中刷一波视频分析的文章。

又是各帧的叠加，为了修补质量低的帧（从而由视频来获得对一个人更完整的印象或记忆？）。联想京东猪识别竞赛–

第二路将人体分区域。u， m， l represent the upper part, middle part and the lower part of images（能否在video-based person re-identification中结合AlignedReID对齐的思路来处理质量低的帧？）：

图2最终输出是video level的行人特征表示。其中Region-based Quality Predictor就是我们一直提到的先验或者启发式结构，得到的质量得分就是不同帧的特征的权重。回想SENet，虽然结构不一样，但是这里质量得分也类似是给不同的通道赋予权重。

联合训练（由于video level的特征是基于frame level的，这地方的softmax其实类似一种intermediate supervision ？）。

其他思考：
- video-based person re-identification似乎也兼容用视频训练，用图片query的情形？（这样图片可以看做视频长度只有1帧的特殊情况）