创新点
1.基于视频的行人ReID方法：3D Person VLAD aggregation
2.阐述了时空注意力的优势和VLAD aggregation 的重要性
总结
网络结构如图所示，输入时确定长度的视频。
最主要的是接下来的部分。
3D身体校准网络如下：
此部分包含B个分支，每个分支估计一个注意力图。通过这个注意力图，可以平衡3D卷积特征。B个分支的输入都是相同的。每个分支检测一个有分辨性的区域并提取特征。B由交叉验证和先验得到。
之后的部分就是数学问题了，没有细看。
先学习一下3D卷积吧。