Introduction
该文章首次采用深度学习方法来解决基于视频的行人重识别，创新点：提出了一个新的循环神经网络架构（recurrent DNN architecture），通过使用Siamese网络（孪生神经网络），并结合了递归与外貌数据的时间池，来学习每个行人视频序列的特征表示。
Method
（1）特征提取架构：
第一层：卷积神经网络，提取每个行人的外貌特征向量；
第二层：循环神经网络，让网络更好的提取时空信息；
第三层：时间池，让网络将不同长度的视频序列总结为一个特征向量.
Siamese网络：通过训练，将来自同一个人的视频特征变得更近，将来自不同人的视频特征变的更远.
（2）输入：
包括两部分：光流（optical flow）、颜色通道（colour channel）
光流对行人的步态等动作线索进行编码，而颜色通道对行人的样貌和穿着进行编码.
（3）卷积神经网络：
对每一个步行时刻（time-step，可以理解为组成步态周期的一个单元）进行卷积神经网络处理，把输入的图片记为 x，则输出为向量 f = C(x).
卷积神经网络架构：
激活函数采用tanh，池化层采用最大maxpool，即：
s = s, ..., s 表示为一个视频序列，T 为视频序列的长度，s(t) 为在时间 t 时的图片帧.
每个图片都要经过CNN来产生一个特征向量，即 f = C(s)，其中 f(t) 是CNN最后层的向量表示.
（4）递归神经网络：基础介绍【传送门】
f 表示 s 在CNN最后层的向量表示，则RNN输出为：
o 规格：e * 1
f(t) 规格：N * 1
r 规格：e * 1
W 规格：e * N
W 规格：e * e
f 包含当前时刻的图像信息，r 包含上一时刻的图像信息，对所有时刻的特征使用全连接层. r 初始为零向量.
（5）时间池：
虽然RNNs可以捕获时间信息，但依然存在不足：
① RNN的输出偏向于较后的时刻；
② 时间序列分析通常需要在不同的时间尺度下提取信息（如语音识别中，提取的尺度包括：音节、单词、短语、句子、对话等）.
解决方法：增加一个时间池化层（temporal pooling layer），该层从所有时刻收集信息，避免了偏向后面时刻的问题.
在时间池化层中，所有时刻RNN后的输出为{o, ..., o}，提出两个方法：
① 平均池化层：
② 最大池化层：（即向量的每一个元素都是从 T 个时刻中的对应位置挑选出的最大值）
（6）训练策略：
① 孪生神经网络：基础知识【传送门】
给出一对视频序列 (s, s)，每个序列都通过CNN、RNN提取出特征向量，即 v = R(s)，v = R(s)，孪生神经网络的训练目标为：（采用的距离为欧式距离）
② 识别验证：
预测特征向量 v 是第 q 个身份的概率为：
一共有 K 个可能身份，W 和 W 表示权重矩阵 W 的第 c 和 k 列.
③ 损失函数：
Experiments
（1）实验设置：
① 数据集 ：iLIDS-VID、PRID-2011，一半用于训练，一半用于测试，运行10次计入平均值.
② 参数设置：孪生神经网络中 m = 2，特征空间维度 e = 128，梯度下降学习率 α = 1e-3，batchsize = 1，epochs = 300.
③ 硬件条件：GTX-980 GPU（运行1天）
④ 数据预处理：采用了裁剪和镜像的形式对数据进行增强. 将图像转为YUV色域，每个颜色通道被标准化为零均值和单位方差，使用Lucas-Kanade算法【传送门】计算每对帧之间的水平和垂直光流通道. 光流通道正规化为[-1,1]. 第一层神经网络的输入有5层通道，其中3层为颜色通道，2层为光流通道.
（2）实验结果：
① 比较了有无循环连接、有无光流特征情况下的实验结果.
② 比较时间池中使用平均池化、最大池化和基准方法（其它参考文献中的方法）的效果.
③ 比较不同视频序列长度的效果.
④ 与其它方法的对比.
⑤ 跨数据集测试，在数据集A训练，但在数据集B测试.