Introduction
（1）Motivation：
作者考虑到空间上的噪声可以通过时间信息进行弥补，其原因为：不同帧的相同区域可能是相似信息，当一帧的某个区域存在噪声或者缺失，可以用其它帧的相同区域进行弥补。
（2）Contribution：
① 不直接使用帧提取的特征信息，而是提出一个改进循环单元（refining recurrent unit，RRU），来修复缺失或噪声；
② 介绍一种时空线索集成模块（spatial-temporal clues integration module，STIM），来提取时空信息；
③ 提出多层训练目标来提高RRU和STIM的能力。
Method
（1）框架：
定义：表示行人 i 的 K 个视频序列，采用 Inception-v3 （2016年Szegedy提出）作为特征提取模块的主干网络，通过CNN提取出的特征为
，再传入RRU模块得到改进特征 S，最后传入 STIM模块僧改成最终的视频级特征表示
。
（2）改进循环单元（RRU）：
使用作为 g 模块的输入，来衡量两帧的样貌差异（我的理解：特征S相当于特征X弥补上缺失），使用
作为 g 的另一个输入，来衡量动作捕捉。
，其中
。
首先通过过渡层（transition layer），其包含256个filter 1*1的卷积层，得到 ；
上层为空间感知模块，首先使用通道交叉平均池化获得每个空间位置的全局感知，再通过两个全连接层，得到：，
，
；
下层为通道感知模块，首先使用空间平均池化来获得每个通道的全局感知，再通过一个全连接层，得到：，
，
；
将两者进行乘法操作，再用sigmoid约束至[0, 1]之间，即：，
。
最终特征输出：，
Z 的每一个位置表示该位置特征的可信值。其值高，则表示该位置的特征有较高的质量，应当保留；其值低，则表示该位置应当被前帧特征所替补。（两帧差别小的地方直接用上一帧，差别大的地方用当前帧）
（3）时空线索集成模块（STIM）：
STIM 包含了两个3D卷积模块和一个平均池化层，每个3D卷积模块包含了三个操作：3D卷积层（包含256个filter）+ 3D BN层 + ReLU层。第一个3D卷积模块的kernel size为 1*1*1，用来降低特征维度；第二个3D卷积模块的kernel size为3*3*3，用来捕捉行人的肢体移动，并输出特征：。最后通过时空平均池化，得到最终特征表述：
，即：
（3）多层训练目标：
训练目标函数：
① 第一项为两个交叉熵损失，详情参照Szegedy提出的Inception-v3模型，该模型包含identity classifier 和 auxiliary classifier 两个分类器，作者对identify classifier的全连接层进行了修改，采用了Zhong提出的classifier模块，包含了512结点的全连接层、BN、ReLU、Dropout、FC、Softmax层。
② 第二项为视频级约束，采用Hermans等人提出的batch hard三元组损失，具体为：
③ 第三项为区域级约束，将特征S划分成行，获得行级特征（上述特征f忽略了不同区域的空间变化 ）：
其中为
的第 r 行，得到的区域特征向量为：
，
定义如下损失函数：
Experiments
（1）实验设置：
① 数据集：iLIDS-VID、PRID-2011、MARS；
② 参数设置：帧大小 299*299，N = 10，K = 2，T = 8，m = 0.4，dropout rate = 0.5，learning rate = 0.01，weight decay = 5 * 10^-4，momentum = 0.9
（2）实验结果：